Fire-faktormodell: En studie av de underliggende faktorene på Oslo børs. BE305E Masteroppgave i Finansiering og Investering.

Størrelse: px
Begynne med side:

Download "Fire-faktormodell: En studie av de underliggende faktorene på Oslo børs. BE305E Masteroppgave i Finansiering og Investering."

Transkript

1 Fire-faktormodell: En studie av de underliggende faktorene på Oslo børs BE305E Masteroppgave i Finansiering og Investering Siviløkonom Bendik Rønning Veileder: Thomas Leirvik Totalt antall sider: Mai 2015

2 Forord Denne masterstudien utgjør den avsluttende delen av mastergradstudiet i økonomi og administrasjon ved Handelshøyskolen i Bodø ved Universitetet i Nordland. Oppgaven er et selvstendig prosjekt innenfor spesialiseringen finansiering og investering, og utgjør 30 studiepoeng. Jeg har valgt å fordype meg i de underliggende faktorene som kan forklare hvorfor en aksje får en relativ høy eller lav avkastning på grunnlag av interesse for kapitalmarkeder og aksjehandel. Studien har vært svært lærerikt å fullføre, og har sørget for at jeg har fått et spennende, krevende og interessant siste semester i siviløkonom studiene. Jeg vil rette en stor takk til veileder, associate professor Thomas Leirvik, ved Handelshøyskolen i Bodø for meget gode og konstruktive tilbakemeldinger gjennom prosessen før og under selve utarbeidelsen av oppgaven. Jeg ønsker også å rette en takk til min arbeidsgiver, DNB Bank ASA, som har hjulpet meg med tilganger til databaser og innhenting av datamateriale til oppgaven. Jeg vil også rette en spesiell takk til mine overordnede i DNB som har lagt til rette slik at jeg har fått fri til å jobbe med oppgaven og reiser til Bodø når det har vært behov. En stor takk rettes også til min far, mor og bror som har bidratt til gode råd, korrekturlesning og språklige innspill. Til slutt vil jeg rette en spesiell takk til min kjære samboer, Yvonne, som til tross for egen helse har vært tålmodig, forståelsesfull, hjelpsom og støttende når det trengtes gjennom den krevende studieperioden. Handelshøyskolen i Bodø Mai, 2015 Bendik Rønning ii

3 Sammendrag av studien Denne studien belyser hvilke underliggende faktorer som påvirker aksjeavkastningen på Oslo børs ved hjelp av regresjonsanalyse og en egenkomponert fire-faktormodell. Innledningsvis vil relevant teori relatert til hva som påvirker aksjeavkastning bli presentert. Litteraturstudien viser at det finnes mange ulike faktorer som kan benyttes til å forklare aksjeavkastning, men at flere faktorer er gjengangere. I denne studien vil en faktormodell bli konstuert med formål om å kunne forklare avkastningen på OSEBX best mulig. Fire-faktormodellen i denne studien inkluderer en markedsfaktor, en størrelsesfaktor, en lønnsomhetsfaktor og en momentumsfaktor. Fremgangsmåten for hvordan disse faktorene er beregnet vil bli gjennomgått senere i masteroppgaven. Regresjonsanalysen viser at fire-faktormodellen forklarer avkastningen på OSEBX meget godt, med en R 2 på 0,822. Dette blir underbygget av testene for forutsetningene til regresjonen. Testene konkluderes med at forutsetningene er tilfredsstilt. Etter regresjonsanalysen kan man konkludere med at alle de fire faktorene er signifikante og relevante for å forklare avkastingen på OSEBX. Momentumsfaktoren hadde en noe svak forklaringsevne, men er signifikant ved 5 % konfidensintervall. Faktormodellens evne til å skape meravkastning ble belyst ved desilporteføljer, hvor porteføljen med størst eksponering mot fire-faktormodellen viste seg å ha høyest risikojustert avkastning. Dette er et signal om at modellen kan benyttes til å utvikle lønnsomme handelsstrategier som kan tas i bruk på OSEBX-indeksen. iii

4 Innholdsfortegnelse Forord...ii Sammendrag av studien... iii FIGUROVERSIKT... vii FORMELOVERSIKT... viii TABELLOVERSIKT... ix 1. Innledning Formålet med oppgaven Problemstilling Aksjemarkedet Historikk og utvikling for OSEBX Kan aksjeavkastning forklares? Teori Hypotesen om at markeder er effisiente Tre former for markedseffisiens Grossman-Stiglitz paradokset Modernisering av markedseffisienshypotesen En tilpasningsdyktig markedshypotese Anomalier Fundamentale anomalier Tekniske anomalier Kalenderanomalier Faktormodeller Ulike variabler for faktormodellen Kapitalverdimodellen (KVM) Fama-French tre-faktormodellen Q-Faktormodellen Arbitrasjeprisingsteorien Atferdsfinans Nyttefunksjonen vs. prospektteori Kan psykologi forklare aksjeavkastning? Momentum-teori Metode Multippel regresjonsanalyse og minste kvadraters metode iv

5 3.1.1 Minste kvadraters metodes forutsetninger Kovarians og korrelasjon Hvorfor faktormodell? Datainnsamling Valg av data og analyseperiode Databaser og andre kilder Justeringerer og transformering av inndata Risikofri rente Portefølje-evaluering Sharpe-raten Sortino-raten Informasjons-raten Jensens alfa Fler-faktormodellen Valg av faktorer Markedsfaktor Størrelsesfaktor Lønnsomhetsfaktor Momentumsfaktor Fire-faktormodell Resultater og analyse Deskriptiv statistikkanalyse Ekstremverdier Regresjonsanalysen Test av regresjonens forutsetninger Oppsummering av regresjonens forutsetninger Tilbakevirkende test av fire-faktormodellen Rullerende forklaringsgrad Fire-faktormodellens historiske alfa-verdier Markedsfaktorens historiske utvikling Størrelsesfaktorens historiske utvikling Lønnsomhetsfaktorens historiske utvikling Momentumsfaktorens historiske utvikling Fire-faktormodellens prestasjonsmål v

6 5.5.1 Risikojusterte prestasjonsmål Transaksjonskostnader Oppsummering og konklusjon Begrensninger Forslag til videre studier Vedlegg OSEBX-Vekter Histogram og boks-plot før eliminering av ekstremverdier Kontrakt fra Oslo børs for innhenting av historiske aksjekurser Referanseliste Bøker Artikler vi

7 FIGUROVERSIKT Figur 1.1: Normalisert prisnivå for tre aksjeindekser... 4 Figur 2.1: Tre former for markedseffisiens... 7 Figur 2.2: Grossman-Stiglitz paradokset... 8 Figur 2.3: Effisient front og kapitalmarkedslinjen Figur 2.4: Verdipapirmarkedslinjen Figur 2.5: En aksjes alfaverdi Figur 2.6: Dekomponering av variansen Figur 2.7: Meravkastningen til veldiversifisert portefølje mot enkelte aksjer i forhold til en aksje Figur 2.8: Den tradisjonelle nyttefunksjonen Figur 2.9: Nyttekurven i prospekt teorien Figur 2.10: Montier Observerer at analytikere holder fast ved sine estimater Figur 3.1: Regresjonslinjen trekkes i beste lineære linje i forhold til residualene Figur 3.2: Plot av en logaritmisk funksjon Figur 3.3: Nominell ettårig 1-måneders NIBOR Figur 3.4: Tre porteføljer med ulik avkastning når risikoen økes Figur 5.1: Spredningsdiagram-matrise av faktorene i fire-faktormodellen Figur 5.2: Spredningsdiagram for momentumsfaktoren og OSEBX-RF Figur 5.3: Histogram av OSEBX-RF og markedsfaktoren Figur 5.4: Histogram av størrelse, lønnsomhet og momentumsfaktoren Figur 5.5: Spredningsdiagram for test av hetroskedastisitet Figur 5.6: Spredningsdiagram for regresjonen kvadrert mot ustandardiserte forventede verdier Figur 5.7: Ustandardiserte residualer i tidsperioden for å se etter tegn til autokorrelasjon Figur 5.8: Den historiske justerte forklaringsgraden for måendlige regresjoner Figur 5.9: Rullerende alfa-verdier basert på månedlige regresjonsanlyser av datamateriale Figur 5.10: Justert P-verdi for OSEBX fra månedlige regresjoner Figur 5.11: Gjennomsnittskoeffisient for markedsfaktoren fra månedlige regresjoner Figur 5.12: Justert P-verdi for markedsfaktoren fra månedlige regresjoner Figur 5.13: Gjennomsnittskoeffisient for størrelsesfaktoren fra månedlige regresjoner Figur 5.14: Justert P-verdi for størrelsesfaktoren fra månedlige regresjoner Figur 5.15: Gjennomsnittskoeffisient for lønnsomhetsfaktoren fra månedlige regresjoner Figur 5.16: Justert P-verdi for lønnsomhetsfaktoren fra månedlige regresjoner Figur 5.17: Gjennomsnittskoeffisient for momentumsfaktoren fra månedlige regresjoner Figur 5.18: Justert P-verdi for momentumsfaktoren fra månedlige regresjoner Figur 5.19: Månedsavkastning basert på desilporteføljer som prestasjonsmål vii

8 FORMELOVERSIKT Formel 2.1: Kapitalverdimodellen (KVM) Formel 2.2: Beta-verdien Formel 2.3: Regresjonsvarianten av kapitalverdimodellen Formel 2.4: Fama-French tre-faktormodell Formel 2.5: Regresjonsvarianten av Fama-French tre-faktormodell Formel 2.7: Tobins Q Formel 2.8: Q-faktormodellen Formel 2.9: Arbitrasjemodell Formel 2.10: Arbitrasjemodell på vektorform Formel 3.1: Regresjonsligning Formel 3.2: Minste kvadraters metode Formel 3.3: Residualligningen Formel 3.4: Estimatet til minste kvadraters metode Formel 3.5: Forklaringsgraden ved regresjonsformat Formel 3.6: Justert forklaringsgrad Formel 3.7: Kovariansen Formel 3.8: Korrelasjonskoeffisienten Formel 3.9: Logaritmisk transformering Formel 3.10: Sharpe-raten Formel 3.11: Sortino-raten Formel 3.12: Informasjons-raten Formel 3.13: Jensens alfa Formel 4.1: Beregning av markedsfaktoren Formel 4.2: Beregning av størrelsesfaktoren Formel 4.3: Beregning av lønnsomhetsfaktoren Formel 4.4: Beregningn av momentumsfaktoren Formel 4.5: Fire-faktormodellen Formel 5.1: Interkvartil variasjonsbredde og øvre/nedre kvartil Formel 5.2: Fire-faktormodellen på regresjonsform Formel 4.4: Beregningn av momentumsfaktoren viii

9 TABELLOVERSIKT Tabell 2.1: Israel og Moskowitz testet momentum mot verdi over en 86-års periode Tabell 5.1: Deskriptiv statistikk for alle faktorene i fire-faktormodellen Tabell 5.2: Forskjellen mellom maksimum og minimumsverdier for observasjonene Tabell 5.3: Skjevhet og kurtose for alle de ulike faktorene Tabell 5.4: Deskriptiv statistikk for alle faktorene ekskludert for ekstremobservasjoner Tabell 5.5: Skjevhet og kurtose for alle faktorene etter ekskludering av ekstremobservasjoner Tabell 5.6: Sammendrag og koeffisienter fra regresjonsanalysen Tabell 5.7: Whites test Tabell 2.8: Breush-Pagan test Tabell 5.9: Korrelasjonsmatrise Tabell 5.10: VIF-test Tabell 5.11: Nøkkelverdier for justert forklaringsgrad fra månedlige historiske regresjonsanalyser Tabell 5.12: Nøkkelverdier for alfa-verdiene fra månedlige historiske regresjonsanalyser Tabell 5.13: Nøkkelverdier for markedsfaktoren fra månedlige historiske regresjonsanalyser Tabell 5.14: Nøkkelverdier for størrelsesfaktoren fra månedlige historiske regresjonsanalyser Tabell 5.15: Nøkkelverdier for lønnsomhetsfaktoren fra månedlige historiske regresjonsanalyser Tabell 5.16: Nøkkelverdier for momentumsfaktoren fra månedlige historiske regresjonsanalyser Tabell 5.17: Prestasjonsmål for desilporteføljene ix

10 1. Innledning Denne masteroppgaven omhandler aksjeavkastning på Oslo børs og hvilke faktorer som kjennetegner selskaper som har relativ høy eller lav aksjeutvikling. Oppgaven konkluderer med at en markedsfaktor, en størrelsesfaktor, en lønnsomhetsfaktor og en momentumsfaktor forklarer en stor del av variasjonen på Oslo børs. Dette blir belyst gjennom multippel regresjonsanalyse av en egenkomponert fire-faktormodell. Hvilke egenskaper er det som gjør at en aksje vil øke eller falle i verdi? I denne oppgaven vil de faktorene som teorien tradisjonelt har tatt i bruk for å forklare aksjeavkasting, bli testet med en faktormodell på Oslo børs. Nye studier de siste få årene har vist at man ved hjelp av nye faktorer og metoder, bedre kan dekomponere en aksjes avkastning basert på ulike egenskaper hos aksjeselskapene. Studien vil derfor ved hjelp av en egenkomponert flerfaktormodell belyse hvilke faktorer som bidrar til relativ høy eller lav aksjeavkastning på Oslo børs. Det er mange beslutningsvariabler som inngår i prosessen når en investor eller en forvalter skal velge hvilke aksjer de skal kjøpe eller selge. Noen investorer kan for eksempel være tilhengere av teorien om svak effisiens, og vil fokusere på fundamentale analyser i valg av aksjer til porteføljen, mens andre investorer med liten tro på hypotesen om effisiente markeder vil kunne ha fokus på tekniske analyser av tidligere kursbevegelser. Hypotesen om effisiente markeder vil dermed ha en stor effekt på hvilke variabler som spiller inn når en aksjekurs endres. Denne oppgaven vil derfor belyse hva teorien om effisiente markeder er, hvilke former for effisiens som finnes, og hvilke avvik og former av teorien som eksisterer. Slike avvik fra normen, eller effisiens, kalles for anomalier. Et eksempel på en anomali kan for eksempel være at Reinganum (1983) viste at aksjer har en systematisk høyere avkastning i januar enn i andre måneder. Flere eksempler på anomalier vil bli gjennomgått grundigere senere i oppgaven. Anomaliene er et svært omdiskutert tema man med fordel bør ta stilling til når man konstruerer en finansiell modell, da anomaliene kan forklare den lave forklaringsgraden i tradisjonelle modeller. Denne masteroppgaven vil inkludere faktorer som kan forklare anomaliene i seg selv, og dermed maksimere forklaringsgraden til de uavhengige variablene i fler-faktormodellen. 1

11 Videre vil de ulike variablene og faktorene teorien tradisjonelt har inkludert i en faktormodell, som tar sikte på å estimere fremtidig aksjeavkastning, bli diskutert. De ulike variablene blir delt inn i faktorgrupper, som danner koeffisientene i en multippel regresjon. Valget av variabler avhenger av hvilket teoretisk rammeverk som ligger til grunn, og representerer ulik type risiko og egenskaper ved de forskjellige aksjene. Kapitalverdimodellen er en sentral og grunnleggende modell for hvordan finansmarkedene i dag fungerer. Det vil derfor være naturlig å inkludere denne modellen i denne oppgaven, for å belyse sammenhengen mellom risiko og forventet avkastning med kapitalmarkedslinjen og verdipapirmarkedslinjen. Oppgaven vil i tillegg utrede hvordan en aksjes alfaverdi kan være grunnlaget for tradisjonell verdiinvestering, og hvordan kapitalverdimodellen kan gjøres om til regresjonsform. Denne oppgaven vil også trekke frem hovedelementene til Fama og French (1993) sin trefaktormodell. Denne modellen er svært mye anvendt i finansmarkedet for å estimere fremtidig avkastning for en aksje ved å ta i bruk faktorvariabler som omhandler det underliggende selskapets størrelse og verdiprising. Oppgaven vil også se på enkelte problemer med modellen, og introdusere Q-faktormodellen - en helt ny modell som legger til nye faktorer for å inkludere anomaliene i markedet i modellen. Q-faktormodellen til Hou, Zue og Zhang (2014) er en modell som ved å inkludere flere ulike faktorer enn tre-faktormodellen kan vise til en høyere forklaringsgrad ved å anvende variabler som inkluderer anomaliene. Denne nye modellen har en innovativ tilnærming til anomaliene, og er svært relevant til temaet som gjennomgås i denne oppgaven. Videre vil oppgaven belyse hovedelementene i arbitrasjeprisingsteorien, som sier at identiske kontantstrømmer med lik risiko skal prises likt. Ved å utnytte avvik fra dette kan en investor oppnå risikofri avkastning, ved å foreta såkalte arbitrasjehandler. Dette er relevant i denne studien da mange av forutsetningene i finansielle modeller bygger på at markedet vil korrigere eventuelle feilprisinger automatisk. Videre vil atferdsfinans bli gjennomgått. Atferdsfinans er teorien om at aktørene i markedet kan handle irrasjonelt, og hvilke implikasjoner dette får for de tradisjonelle finansmodellene (Pompian, 2006). Atferdsfinans er et tema som bidrar til forståelse for hvorfor avvik kan forekomme, og er relevant når en vil belyse hva som kan føre til at en aksje får relativ høy eller lav avkastning i fremtiden. Denne oppgaven vil belyse hvordan kontrastene mellom 2

12 nytteteorien og prospektteorien henger sammen, og trekker frem studier som har vist hvordan enkelte hendelser i finans kan forklares med aktørenes atferd. Dersom man studerer de ulike teoriene om hvordan aksjemarkedet henger sammen vil man kunne se at mange av teoriene er fundamentalt motstridende, og bygger på ulike forutsetninger. Et eksempel på dette er adferdsfinansens forutsetning om at psykologisk påvirkning fører til at aktørene i markedet handler irrasjonelt, i motsetning til de helt rasjonelle aktørene i effisiensteorien. Denne motsetningen i de fundamentale teoriene om hvordan markedet henger sammen skaper et behov for en ny pragmatisk teori som kan låne elementer fra ulike sider. Dersom man lykkes med å skape en modell som kan låne elementer fra ulike teorier kan man skape en modell som kan estimere fremtidig aksjeavkastning med høy forklaringsgrad (Bodie, Kane, & Marcus, 2014). 1.1 Formålet med oppgaven Formålet med masteroppgaven er å belyse hvilke faktorer som historisk sett påvirker avkastningen til aksjer på Oslo børs. Videre er formålet å konstruere en finansiell flerfaktormodell, som basert på aksjeegenskaper kan brukes til å gi prognoser, og vurdere hvilke aksjer som vil kunne få en relativ høy eller lav aksjeavkastning i fremtiden. De ulike faktorene som inkluderes i fler-faktormodellen er valgt ut fra et teoretisk grunnlag, som har vist seg å kunne forklare aksjeavkastning på amerikanske aksjemarkeder. Oppgaven vil dermed ta med seg elementer fra dette og teste ulike faktorer mot Oslo børs, for å belyse om dey samme gjelder her. Modellen i masteroppgaven vil konstrueres basert på en egen programmert aksjeprisingsmodell i statistikkprogrammet R, med forklarende variabler fra teorien. Oppgaven vil være relevant da man ved å være klar over hva som kan forklare aksjeavkastning, har et bedre grunnlag for investering i kapitalmarkedet Problemstilling Hvilke sentrale faktorer har historisk sett vært viktig for å forklare aksjeavkastningen på Oslo børs? 3

13 1.2 Aksjemarkedet Denne studien vil omhandle ulike mekanismer i aksjemarkedet, og om man ved hjelp av en finansiell fler-faktormodell kan forklare hvorfor enkelte aksjer har hatt høyere eller lavere avkastning enn andre. Mange av teoriene og studiene som trekkes frem i denne oppgaven er per i dag kun testet og anvendt på de amerikanske børsene, og det vil derfor være interessant om man vil se de samme resultatene dersom modellene overføres til Oslo børs. Oslo børs ble grunnlagt allerede i 1819, og er Norges eneste regulerte markedsplass for omsetning av aksjer, egenkapitalbevis og andre verdipapirer. På Oslo børs kan selskaper og privatpersoner kjøpe eller selge aksjer, som er en eierandel i det underliggende selskapet Historikk og utvikling for OSEBX OSEBX-indeksen er hovedindeksen for Oslo Børs, og består av de 55 største børsnoterte selskapene. Indeksen skal kunne representere alle noterte aksjer på Oslo Børs, og blir revidert to ganger hvert år. Selskapene som OSEBX-indeksen består av vektes etter selskapsstørrelse (Se vedlegg 7.1). Det største noterte selskapet på indeksen er olje- og gasselskapet Statoil, som per vektet 18,12 % av OSEBX. Etter Statoil følger DNB ASA og Telenor ASA, som vekter henholdsvis 12,79 % og 12,38 %. Figur 1.1: Normalisert prisnivå for tre forskjellige aksjeindekser; OSEBX, NASDAQ og S&P 500 I figur 1.1 er OSEBX sammenlignet med den teknologi-tunge NASDAQ-indeksen og den brede S&P 500 indeksen, som består av 500 amerikanske aksjeselskaper. 4

14 1.2.2 Kan aksjeavkastning forklares? Det finnes utallige eksperter og analytikere som har sin egen mening og strategi for hvordan man best mulig får avkastning på sine investerte midler i aksjemarkedet. Etter at en aksje har hatt en relativ høy eller lav avkastning kan man peke på ulike faktorer for å begrunne bevegelsene til aksjen, ofte uten å kunne bevise påstanden. Flere teorier har forsøkt å systematisk forklare hvorfor enkelte aksjer har hatt lav eller høy avkastning, men en fundamental konsensus for hvordan man estimerer fremtidig avkastning mangler. Beslutningsvariablene som inngår i prosessen når en investor skal kjøpe eller selge en aksje er mange, og hver enkelt investor har sin egen oppfatning av hvilke variabler som er de viktigste. Ved å inkludere faktorene i en faktormodell kan man estimere hvordan den fremtidige avkastningen til en aksje blir. De ulike variablene kan settes sammen til faktorer, som kan vise om variablene samlet sett har en positiv eller negativ sammenheng med avkastning (Bodie, et. al, 2014). Grunnlaget for studiet om fremtidig aksjeavkastning vil være om man ved hjelp av en finansiell modell systematisk kan identifisere egenskaper som gjør at en aksje vil gå opp eller ned i verdi. Dersom man lykkes med å lage en slik modell, vil man kunne bruke modellen til å forklare noe av variansen ved historiske prisene på ulike aksjer. 5

15 2. Teori 2.1 Hypotesen om at markeder er effisiente Et marked der prisene alltid reflekterer all tilgjengelig informasjon, kalles for et "effisient marked" (Fama, 1970). I et slikt marked vil det ikke være mulig for en investor å oppnå en meravkastning i markedet, uten å påta seg større risiko. Hypotesen om et slikt effisient marked ble oppsummert av Fama (1970), etter flere år med økende aksept for hypotesen i finansmiljøet. I årene før Famas artikkel var hypotesen om ineffisiente markeder mer omfattende, men Fama sin konklusjon og bevis for effisiente markeder førte til at hypotesen om markedseffisiens ble ansett som en grunnleggende hypotese i markedsteorien. Hypotesen innebærer at en investor ikke kan oppnå over gjennomsnittlig risikojustert avkastning over tid, da man som investor ikke kan utnytte informasjon som ikke allerede er kjent i markedet. Det eneste som påvirker prisen til en aksje er ny informasjon i markedet, med unntak av markedsimperfeksjoner og institusjonelle begrensninger (Dimson, 1988) som for eksempel skatt, eller kurtasje fra meglerhusene. Kursbevegelser kalles for "random walk", som forklares med at ingen investor vet hva som blir morgendagens nyheter, og kursbevegelsen vil da på et tidspunkt kunne forklares med et myntkast. Spesielt dersom den nye spekulative prisen er uavhengig av alle tidligere trekk eller begivenheter (Alexander, 1964). Det er verdt å merke seg at markedseffisienshypotesen sier at en aksjepris kun reflekterer tilgjengelig informasjon. Man vil derfor ikke alltid kunne si at kursene var korrekte i et retroperspektiv. Dette fordi man i etterkant kan se at en kurs var for høy eller for lav. Markedseffisienshypotesen sier derimot at aksjeprisene vil korrigeres over tid dersom markedet er rasjonelt (Bodie, et. al, 2014) Tre former for markedseffisiens Markedseffisiens deles vanligvis opp i tre ulike hovedgrupper: svak effisiens, semisterk effisiens, og sterk effisiens. De ulike gruppene skilles i form av hva som menes med utrykket "all tilgjengelig informasjon" (Bodie, et. al, 2014). Hypotesen om svak effisiens argumenterer for at aksjepriser allerede reflekterer all informasjon som er tilgjengelig ved å analysere markedsdata, slik som for eksempel de historiske prisene, handelsvolum og interesse for short salg (Bodie, et. al, 2014). 6

16 Ved svak effisiens er det derfor ikke mulig å oppnå meravkastning ved å ta i bruk trend og tekniske analyser, ettersom dette bygger på informasjon som allerede er tilgjengelig for alle. Hypotesen om svak effisiens sier at dersom det var en mulighet for å ta i bruk lett tilgjengelig historiske priser for å forutse videre utvikling i aksjen, ville alle investorer allerede ha oppfattet dette og reflektere det i aksjeprisene. Hypotesen om semisterk effisiens sier at all offentlig tilgjengelig informasjon om et selskap allerede må være reflektert i aksjeprisen " (Bodie, et. al, 2014). Hypotesen sier at i tillegg til markedsdata, er også informasjon om regnskapstall, humankapital, patenter og annen informasjon knyttet til hva bedriften eier, som er kjent i markedet reflektert i aksjeprisen. Ved semisterk effisiens vil derfor fundamentale analyser av selskapets underliggende verdier ikke ha noen større mening, ettersom man forventer at den offentlige informasjonen som analysene bygger på allerede er kjent i markedet. Hypotesen om sterk effisiens sier at informasjon som innsidere i et selskap har, også er reflektert i aksjeprisen, i tillegg til markedsdata og fundamental informasjon om selskapet. Sterk effisiens innebærer dermed at all informasjon om et selskap er reflektert i aksjeprisen, både offentlig informasjon og innsideinformasjon (Bodie, et. al, 2014). Denne formen for effisiens anses for å være en ekstrem hypotese, og at finansielle institusjoner som for eksempel finanstilsynet hindrer sterk effisiens i markedet. I markeder med sterk effisiens vil selv ikke innsidere med unik informasjon kunne oppnå systematisk meravkastning. Historisk markedsdata Semisterk effisiens Historiske markedsdata All offentlig informasjon Historiske markedsdata All offentlig informasjon All privat informasjon Svak effisiens Sterk effisiens Figur 2.1: Tre former for markedseffisiens 7

17 2.1.2 Grossman-Stiglitz paradokset Grossmann og Stiglitz (1980) argumenterte for at markedet ikke kunne være effisient hvis ingen analyserte markedet, ettersom aksjekursene ikke lenger ville reflektere informasjonen som var tilgjengelig. Paradokset vil oppstå dersom investorer investerer passivt og det utvikles et skille mellom den fundamentale underliggende verdien i selskapet og hvordan selskapet prises av markedet. Dette vil kunne være et scenario i hypotesen om semisterk effisiens, hvor fundamentale analyser ikke gir meravkastning ettersom investorer vil investere passivt. Figur 2.2: Grossman-Stiglitz paradokset Two economists walk down the street and spot a $20 bill. One starts to pick it up, but the other one says: don t bother; if the bill were real, someone would have picked it up already Modernisering av markedseffisienshypotesen Etter Grossman-Stiglitz (1980) paradokset ble det rettet kritikk mot den konservative markedseffisienshypotesen. Fama (1991) lanserte derfor en oppdatert ny versjon av sin markedseffisienshypotese, hvor han så nærmere på hvilken lærdom man kan ta med seg fra den nye forskningen. En svakere og økonomisk mer fornuftig versjon av effisienshypotesen sier at prisene reflekterer informasjonen til det punktet hvor de marginale fordelene ved å handle på informasjon ikke overgår de marginale kostnadene (Fama, 1991). Dermed må kostnadene ved jobben det er å analysere og innhente informasjon være dekket for at dette skal være reflektert i aksjekursen. Kritikken mot effisienshypotesen førte også til at det ble forsket på hvor mye effisiens det fantes i markedet. Black (1986) tar utgangspunkt i hypotesen om at det finnes både informerte og uinformerte aktører i markedet, og at denne ulikheten sørger for at det foregår handler i markedet. De aktørene som har forstått informasjonen riktig vil tjene penger, mens de aktørene som analyserer informasjonen feil vil tape penger. På denne måten vil de uinformerte aktørene i markedet rette opp i eventuelle feilprisinger og skape likvide markeder (Black, 1986) En tilpasningsdyktig markedshypotese Andrew Lo (2004) presenterte en ny tilpasningsdyktig versjon av hypotesen om effisiente markeder. I denne artikkelen argumenterer Lo at heuristikker kan være med på å forklare enkelte irrasjonelle handlinger i markedet. Den tilpasningsdyktige markedshypotesen vil derfor bygge på prinsippene fra evolusjonen, og forandres etter at ulike studier kan avdekke anomalier fra teorien. 8

18 Lo (2004) argumenterer for at dersom aktørene i markedet anvender de samme mentale modellene vil dette føre til at muligheten for meravkastning blir oppdaget og korrigeres raskt, noe som vil føre til at markedet korrigeres tilbake til å være effisient. Hvilken grad av effisiens et marked bærer avhenger ifølge Lo (2004) av sammenhengen mellom antall aktører og antall muligheter for meravkastning. Den tilpasningsdyktige markedshypotesen som Lo (2004) foreslår eksisterer ikke i form av en faktisk modell, da det er vanskelig å tallfeste enkelte av faktorene i teorien. Likevel er den relevant da den foreslår en hypotese som kan tilpasse seg erfaringer fra anomalistudiene og som kan inkludere elementer fra atferdsfinansen inn i en modell. 2.2 Anomalier Debatten om markedets effisiens har inspirert ulike studier av hvordan aksjemarkedet fungerer, og om markedene faktisk er effisiente. Mange studier peker på bevis som støtter opp under teorien om effisiente markeder, men også en rekke signifikante avvik fra aksjers forventede normalavkastning (Pompian, 2006). Ettersom disse avvikene ikke kan forklares ved å ta i bruk de kjente modellene kalles dette for anomalier, og er avvik fra normen. Dette studiet belyser ulike sammenhenger om hva som får en aksje til å ha relativ lav eller høy avkastning på Oslo børs, og teorien om slike anomalier vil derfor være en naturlig del av masteroppgaven. Det finnes tre hovedtyper anomalier: Fundamentale anomalier Uregelmessigheter som oppstår når en aksjes avkastning er sett i lys av fundamentale analyse av aksjens verdi er kjent som en fundamental anomali (Pompian, 2006). Et eksempel på en slik anomali ble belyst av Fama og French (1992) da de utførte en studie av lave pris/bok selskaper mellom 1963 og I studien undersøkte de alle selskapene notert på New York Stock Exchange (NYSE), American Stock Exchange (AMEX) og NASDAQ. Aksjene ble delt opp i 10 ulike grupper av hvilken bok/pris de hadde. Studien (Fama og French, 1992) fant at de aksjene med lavest bok/pris fikk en meravkastning i forhold til de aksjene med høyest bok/pris multippel med 21,4 % mot 8 %. De 10 ulike gruppene utgjorde 10 desilporteføljer som hver fikk dårligere avkastning enn den desilporteføljen som var rangert over. Fama og French rangerte også desilporteføljene etter beta, og fant at "verdiaksjene" hadde en lavere risiko enn "vekstaksjene". Detaljer rundt hvordan modellen fungerte blir gjennomgått senere i masteroppgaven. 9

19 Aksjer med lav pris/salg multippel har også vist seg å kunne ha en meravkastning i forhold til markeder generelt, samt aksjer med høy pris/salg multippel. O Shaughnessy (2005) mener at pris/salg multiplene er en av de sterkeste egenskapene hos en aksje som vil ha relativ høy avkastning i fremtiden. I følge Pompian (2006) er lav pris/fortjeneste (Price/Earnings) en annen multippel som har vist seg å ha en tendens til å ha en effekt på om aksjer kan ha en relativ høy avkastning. Det finnes også ifølge Pompian (2006) bevis for at en høy utbytteandel kan være en egenskap for aksjer som har en relativ høy avkastning i forhold til andre aksjer Tekniske anomalier En teknisk analyse av en aksje er en analyse hvor man bruker historiske kurser for å estimere hvordan aksjen beveger seg i fremtiden (Bodie, et. al, 2014). Ved å studere de tidligere kursene kan man ved å bruke tekniske verktøy, som for eksempel trend og bevegende gjennomsnitt, se hvor en aksje har teknisk "støtte" og "motstand". I følge Pompian (2006) kan teknisk analyse enkelte ganger avsløre inkonsistens med respekt til hypotesen om effisiente markeder. Disse avvikene fra normen kalles for en teknisk anomali, og dersom det finnes slike avvik kan det være egenskaper ved aksjer som kan utnyttes i en teknisk strategi Kalenderanomalier Kalenderanomalier er avvik fra normen der tid er en variabel som spiller inn. "Januareffekten" er en kjent kalenderanomali, hvor historiske tall har vist at mindre aksjer spesielt har hatt en unormal høy avkastning i januar måned. Enkelte studier har forsøkt å forklare denne anomalien med skattemessige motiver for denne tendensen. Likevel har "januareffekten" blitt et godt eksempel på en slik anomali ettersom effekten ikke har forsvunnet slik den vil når den blir kjent om vi skal følge arbitrasjeteorien. Reinganum (1983) er et eksempel hvor det er påvist at mindre selskaper som var notert på børsen ofte fikk en unormal høy aksjeavkastning de to første ukene i januar. Årsaken til at små selskaper ofte fikk en høyere avkastning enn store begrunnes av Reinganum (1983) med ulik volatilitet på grunn av ulikt handelsvolum. Dermed kan egenskaper som volum og volatilitet være mulige egenskaper hos aksjer som kan ha effekt på avkastningen. 10

20 2.3 Faktormodeller En faktormodell tar sikte på å forklare hvilke faktorer som statistisk sett systematisk påvirker aksjeavkastningen til en aksje. Dersom vi tar kapitalverdimodellen som eksempel, ser vi at dette er en modell som tar i bruk én betafaktor, markedet, for å forklare de systematiske forholdene i avkastningen til en spesifikk aksje. Fler-faktormodeller på sin side tar i bruk flere ulike faktorer for å forklare den systematiske innvirkningen på aksjeavkastningen. Modellen ble tatt i bruk etter at en studie viste at en aksjekurs påvirkes av ulike økonomiske nyheter, noe som var bakgrunnen for behovet for å kunne dele den systematiske risikoen inn i flere faktorer enn kun markeds-beta (Chen, Roll, Ross, 1986). Ved å ta i bruk ulike faktorer for å forklare de systematiske ulikhetene i aksjeavkastning kan man belyse hvilke variabler som er sensitive for en enkelt aksje Ulike variabler for faktormodellen Ettersom dette er et teoretisk grunnlag for masterstudien hvor en egenlaget aksjeprisingsmodell i statistikkprogrammet R vil forsøke å forklare hvilke egenskaper som fører til at en aksje vil ha relativ høy eller lav avkastning, vil dette avsnittet forklare hver enkelt gruppe av variabler som kan være relevante i en slik modell. De ulike gruppene av variabler vil være basert på teoriens hovedelementer, og vil være relevante i forhold til variabler som kan være med på å skille mellom aksjer basert på tidligere modeller Likviditetsvariabler Liu (2006) viste ved hjelp av en to-faktormodell at ved å inkludere likviditetsvariabler og markedsfaktorer kan forbedre forklaringsgraden i forhold til Fama og French sin tre-faktor modell. Aksjer kan skilles ved å undersøke handelsvolumet verdipapiret har. Det vil være enklere for investorer å handle en aksje med høyt volum uten å påvirke aksjekursen, enn det vil være med en aksje med lavt volum. Det vil derfor kunne eksistere likviditetspremier som rasjonelle investorer vil ønske dersom det for eksempel kan være vanskelig å selge seg ut igjen av aksjen. Likvide verdipapirer selges altså med en premie, som tilsvarer opsjonen man har til å selge aksjen i fremtiden uten at prisen endres. Dersom investorer godtar en lavere avkastning for å investere i aksjer med høyt volum vil likviditet være en relevant faktorgruppe for en faktormodell. Eksempler på slike variabler kan være gjennomsnittlig handelsvolum over en periode, eller månedlig handelsvolum i forhold til markedsverdien. Liu (2006) viste at ved også å inkludere handelshastigheten som en variabel i likviditetsfaktoren vil modellen kunne relatere likviditet til flere anomalier, og dermed forbedre forklaringsgraden ytterligere. 11

21 Vekstvariabler I flere nye faktormodeller inkluderes ulike vekstvariabler, slik som for eksempel i q- faktormodellen til Hou, Xue og Zhang (2014) som blir forklart i detalj senere i denne oppgaven. Ulike aksjer kan være inne i ulike faser av vekst, og dette kan være viktige faktorer for den fremtidige aksjeavkastningen. Vekstvariabler kan benyttes for å skille selskaper med lav vekst i fra selskaper med høy vekst. Dersom et selskap har relativt høy vekst i forhold til andre konkurrenter i samme bransje vil det kunne ta tid for konkurrentene å ta igjen vekstselskapet. Dersom et selskap har relativt lav vekst i forhold til andre kan det være på grunn av behov for restruktureringer eller investeringer og dette kan ta tid å balansere. Slike vekstvariabler kan derfor være viktige egenskaper for aksjer med lav eller høy avkastning. Eksempler på slike variabler kan være avkastning på egenkapital, salgsomsetning, fortjeneste med vekstberegninger. I q-faktormodellen til Hou, Xue og Zhang (2014) inkluderes avkastning på egenkapitalen (ROE) som en av faktorene Sektorvariabler Aksjer på Oslo børs tilhører ulike sektorer, og dette kan påvirke hvordan investorer priser de ulike selskapene. Dersom tilhørighet til en sektor påvirker aksjeavkastningen vil det være naturlig å inkludere ulike sektorer som kontrollvariabler i modellen. Dummyvariabler vil bli tatt i bruk for å kunne inkludere regresjonskoeffisientene til de ulike sektorene. Eksempler på slike sektorvariabler kan være energi, IT, råvarer, transport eller helse Multippelvariabler Enkelte variabler kan være med på å skille mellom fundamentale forhold hos aksjer. Fama og French (1993) sin tre-faktormodell inkluderer for eksempel pris/bok i sin modell. Aksjer kan ha ulik relativ prising i forhold til de fundamentale regnskapstallene til selskapet. Investorene i markedet kan for eksempel ønske å prise selskaper ulikt selv om de har samme EBIT, omsetning eller verdi på egenkapitalen. Dersom en lav/høy PE (Price/Earnings) -multippel er en egenskap hos aksjer med relativt høy eller lav avkastning, vil slike variabler være naturlig å inkludere i faktormodellen. Slike multippelvariabler kan for eksempel være pris/fortjeneste, pris/bokverdi eller EBIT/EBITDA. 12

22 Historiske prisvariabler Jegadeesh (1990) viste at det var mulig å kunne estimere fremtidig avkastning ved å inkludere historiske variabler i faktormodellene. Ved å observere de historiske aksjebevegelsene kan man forutse hvordan også de fremtidige bevegelsene blir. Dersom tidligere aksjebevegelser kan ha en innvirkning på fremtidig aksjeavkastning vil dette være variabler som det kan være interessant å inkludere i faktormodellen. Tidligere studier, som for eksempel Jegadeesh (1990), har vist at historiske bevegelser i aksjekursen kan ha systematisk påvirkning på fremtidige bevegelser, noe som er grunnlaget for teknisk analyse. Eksempler på slike historiske prisvariabler kan være kursbevegelser i for eksempel januar alene Soliditetsvariabler De tradisjonelle modellene på hvordan man priser en aksje har alle til felles at risiko forbundet med investeringer er et sentralt tema. Soliditeten til de ulike selskapene vil dermed være en faktor av høy betydning. Aksjer på Oslo børs vil naturligvis kunne ha ulik risiko som investorer vil kunne ønske å prise ulikt. Soliditetsvariabler vil derfor være naturlig å inkludere i faktormodellen for å kunne se om det finnes systematiske ulikheter i hvordan dette prises. Eksempler på slike soliditetsvariabler kan være markeds-beta, standardavvik til tidligere aksjeavkastning, gjeldsgrad eller standardavvik i kontantstrømmen. Fama og French (1993) bruker for eksempel markeds-beta i sin tre-faktormodell Momentumvariabler Carhart (1997) viste ved å studere fond og aksjeavkastning, at momentum var en viktig faktor. I studien viste han at ved å rangere desilporteføljer basert på momentum og markedsverdi, vil momentum aksjer gjøre det bedre enn andre. Det kan være ulike grader av momentum i aksjer, og dette vil kunne ha en innvirkning på om en aksje vil ha relativ høy eller lav avkastning i fremtiden. Dersom en aksje er inne i en periode med momentum i form av et godt marked, gode rater eller god konkurranse situasjon, kan dette være med på å øke fremtidig avkastning. Eksempler på slike variabler kan være bevegende gjennomsnittlig konvergens/divergens (MACD), relativ styrke indeks (RSI) eller bevegende gjennomsnitt (MA). 13

23 2.3.2 Kapitalverdimodellen (KVM) Kapitalverdimodellen er en grunnleggende modell for pristeorien i finansmarkedet, og bygger videre på Harry Markowitz (1952) sitt arbeid med porteføljeteori og diversifisering. Selv om modellen bygger på teorier fra 50-tallet, er den fremdeles svært sentral i finansteorien. Modellen benyttes til å beregne kapitalkostnaden til en aksje eller en investering (Bøhren, Michalsen, 2010) ved å se på sammenhengen mellom risiko og forventet avkastning. Modellen uttrykkes med følgende fremstilling: E(r i ) = r f + β i [E(r M ) r f ] (2.1) E(r i ) = Forventet avkastning på askje i. r f = Risikofri rente. E(r M ) = Forventet avkastning for markedsporteføljen. E(r M ) r f = Forventet avkastning på markedsporteføljen fratrukket den risikofrie renten (markedspremien). Dette forklarer hva en investor får betalt ved å holde markedsrisiko. β i = Forventet endring i aksje(i) ved én prosent endring i markedsporteføljen. Dette kalles beta-koeffisienten, og er et tall som måler den systematiske risikoen. Beta kan fremstilles på denne måten: β i = Cov(r i, r m ) σ M 2 (2.2) Kapitalverdimodellen beskriver med andre ord en forventet markedsavkastning eller markedspris for en enkelt aksje relativt til den forventede usystematiske risikoen. Modellen forutsetter at alle investorer diversifiserer maksimalt for å bli kvitt all usystematisk risiko, og at investorene derfor er veldiversifiserte (Bøhren, et. al, 2010). Under kapitalverdimodellen kan man kun øke forventet avkastning ved å øke eksponeringen mot systematisk risiko. Dersom en aksje og markedet har en kovarians lik null, får aksjen en betaverdi lik null og vil dermed også få forventet avkasting lik risikofri rente. Til tross for dette er det likevel ikke gitt at aksjen er risikofri, men at all risikoen som er forbundet med aksjen er usystematisk risiko. Kapitalverdimodellen gir dermed ikke økt forventet avkastning ved å bære usystematisk risiko. 14

24 Forutsetningene kapitalverdimodellen bygger på er at den er begrenset til å gjelde for finansielle papirer som aksjer, obligasjoner og risikofrie lån. Videre går forutsetningene ut på at kapitalverdimodellen ikke kan brukes for investeringer i eiendom, private selskaper og humankapital (Bodie, et. al, 2014). Muligheten for å låne ut eller låne selv til en fast risikofri rente uavhengig av lånets størrelse må være til stede, og skatt og transaksjonskostnader foreligger ikke. En annen forutsetning er at alle aktører i markedet bruker like analysemetoder, og har like forventningsverdier med tanke på kovarians, varians og avkastning (Bodie, et. al, 2014). Til slutt antar modellen at alle investorer har planlagt for lik tidsperiode Kapitalmarkedslinjen For å kunne belyse den minst mulige variansen en portefølje av aktiva med risikoaktiva kan ha i forhold til avkastningskravet utviklet Markowitz (1952) en graf som viste nettopp dette. Grafen består av kapitalmarkedslinjen, som viser alle kombinasjoner av risikoavkastninger det er mulig å oppnå i et marked. Kapitalmarkedslinjens skjæringspunkt med E(r) finnes ved risikofri rente, og stigningsgraden utrykkes ved hjelp av en Sharpe-rate. Denne raten blir brukt som et avkastningsmål, og viser meravkasting i forhold til den totale risikoen i porteføljen justert for risiko. Økningen i den forventede avkastningen blir målt i standardavvik og viser hvor mye avkastning man får ved å påta seg en enhet av risiko (Bodie, et. al, 2014). Det vil si at dersom kapitalmarkedslinjen er bratt vil investoren få høyere avkastning ved å påta seg mer risiko enn hvis linjen er slak. Dersom man tar forutsetningene fra kapitalverdimodellen til grunn, vil alle aktører i markedet ha en portefølje hvor kapitalmarkedslinjen krysser linjen for effisient front. Dette punktet vil dermed være markedsporteføljen, og består av alle tilgjengelige verdipapir (Bodie, et. al, 2014). Kapitalmarkedslinjen viser hvilken risikopremie man kan forvente for en effisient portefølje, og er i forhold til standardavviket i porteføljen. 15

25 Figur 2.3: Effisient front og kapitalmarkedslinjen Verdipapirmarkedslinjen Verdipapirmarkedslinjen er en fremstilling av et enkelt aktivas risikopremie som en funksjon av det aktivumets beta-verdi. Med andre ord viser verdipapirmarkedslinjen individuell aktiva risiko-premie som en funksjon av aktiva risiko, i motsetning til kapitalmarkedslinjens portefølje (Bodie, et. al, 2014). Verdipapirmarkedslinjen blir dermed et mål som kan vise ut i fra risikoen på en investering målt i form av beta, hvilken avkastning som er nødvendig for å kompensere investorer for risikoen de må påta seg og tidsverdien av pengene. Figur 2.4: Verdipapirmarkedslinjen 16

26 En aksjes alfa Forskjellen mellom avkastningen som er forventet i verdipapirmarkedslinjen og den faktiske avkastningen til en aksje er en aksjes alfa (α)-verdi (Bodie, et. al, 2014). I følge Bodie, et. al (2014) kan man si at aksjeanalyser handler om å avdekke aksjer med alfa ulik fra null. På denne måten kan man utnytte feilprisinger ved å øke vektingen i aksjer med positive alfaverdier, og minimere eksponeringen mot aksjer med negative alfaverdier. På den måten kan man si at alfaverdier ulike fra null er egenskaper som kan påvirke om en aksje vil få relativ høy eller lav aksjeavkastning i fremtiden. Som figur 3.3 viser, kan man finne en positiv alfa dersom en aksje befinner seg ovenfor verdipapirmarkedslinjen. En aksje vil ha negativ alfaverdi dersom aksjen befinner seg under verdipapirlinjen. Figur 2.5: En aksjes alfaverdi Regresjonsvariant av kapitalverdimodellen Kapitalverdimodellen kan også skrives i regresjonsform, for å skape en variant som kan anvendes i programmeringen i statistikkprogramvaren R. Dersom man tar i bruk regresjonsvarianten av kapitalverdimodellen vil historiske observasjoner av et aktiva sammen med markedet over et intervall = N perioder vil man kunne definere kapitalverdimodellen slik: R it R Ft = α i + β i (R Mt R Ft ) + ε it (2.3) 17

27 R it = Avkastning til enkeltaksjen i periode t, R Ft = avkastning til risikofri rente i periode t, R Mt = avkastningen til markedet i periode t, ε it = feilleddet til regresjonslikningen med forutsetning at den er normalfordelt, uavhengig og har en forventing lik null (Bodie et. al. 2014). Ved å ta i bruk ordinær lineær regresjon kan man estimere en α i = alfa og en β i = beta, som igjen kan brukes til å estimere graden av effisiens i et marked. Dersom alfaverdien er lik null og beta varierer proporsjonalt med forventet risikopremie vil markedet kunne sies å være effisient (Bodie, et. al, 2014). Dersom man nå regner ut variansen i likningen, kan man dekomponere den totale risikoen ved å skille den systematiske og den usystematiske variansen. Ettersom alfa og beta har en varians lik null får vi denne sammenhengen: Systematisk varians Variansen til feilleddet Den totale variansen Figur 2.6: Dekomponering av variansen 18

28 2.3.3 Fama-French tre-faktormodellen Den dominerende tilnærmingen for å spesifisere faktorer som kandidater for relevante kilder til systematisk risiko, bruker karakteristikker som virker med empirisk grunnlag for vekter mot eksponeringen mot risiko (Bodie, et. al, 2014). Fama og French (1993) utviklet en modell som ved å ta i bruk tre ulike faktorer kunne estimere en porteføljes forventede avkastning, og denne har blitt til en dominerende modell i empirisk forskning og praktisk bruk. Tidligere i denne oppgaven ble fundamentale anomalier gjennomgått, hvor studiet til Fama og French ble et eksempel på slike fundamentale avvik fra effisiensteorien. Fama og French er kjent for å være tilhengere av teorien om effisiente markeder, men med tre-faktormodellen identifiserer de ulike faktorer som kan påvirke den forventede avkastningen til en aksje eller en portefølje. Med modellen identifiserte de anomalier som kan utnyttes for å skape en meravkasting i forhold til markedet ved å plassere kapital for å utnytte anomaliene. Den første faktoren i Fama og French (1993) sin faktormodell er markedsfaktoren. Dette er en faktor som vi kjenner fra kapitalverdimodellen, og beregnes ved å trekke den risikofrie renten fra den forventede avkastningen til markedsporteføljen. Denne faktoren vil derfor representere risikoen som følger med å investere utover den risikofrie renten. Den andre faktoren i faktormodellen fra 1993 er beregnet ved differansen mellom avkastningen til en portefølje med eksponering mot aksjer i små selskaper og avkastningen til en portefølje med eksponering mot aksjer i store selskaper. Denne faktoren ble inkludert da Fama og French (1992) mente at størrelsen på selskaper kan være en faktor som kan påvirke forventet avkastning til en aksje. Modellen viste at små selskaper tenderer til å ha en høyere avkastning enn store. Dette forsvares i henhold til effisiensteorien med at det er større risiko knyttet til de små selskapene. Den tredje og siste faktoren Fama og French (1993) inkluderte i faktormodellen er differansen mellom avkastning på en portefølje med selskaper med høy bokført verdi relativt til markedsverdien som aksjen handles til, og en portefølje med selskaper med lav bokført verdi relativt til markedsprisen. Ved å gjøre denne beregningen og inkludere den i faktormodellen kan en investor identifisere om såkalte verdiselskaper kan være en faktor som kan påvirke forventet avkastning. Fama og French (1992) fant at verdiaksjer ofte hadde en høyere avkastning enn vekstaksjene, som igjen ble knyttet til at investorer ønsker kompensasjon for høyere risiko i verdiaksjene. 19

29 Med utgangspunkt i disse tre faktorene kan modellen utrykkes på følgende måte: E(R i ) R f = b i [E(R M ) R f ] + s i E(SMB) + h i E(HML) (2.4) Hvor E(R m ) R f = den forventede meravkastningen til porteføljen, E(SMB) = premien for selskapsstørrelsen hvor "SMB" står for "small minus big", E(HML) = premien for pris/bok forholdet hvor "HML" står for "high minus low". Videre utgjør b i, s i og h i stigningen i regresjonen som kan utrykkes på følgende måte: R i R f = α i + β i (R M R f ) + s i SMB + h i HML + ε i (2.5) Ved å ta i bruk denne regresjonen kunne Fama og French (1993) estimere den forventede meravkastningen til en aksje basert på de tre faktorene, og tok dermed en forutsetning om at det kan være mulig å dele beta-verdien inn i flere faktorer for å belyse risikoen i et verdipapir. Fama og French (1993) rangerte aksjene som var notert på New York Stock Exchange, AMEX og NASDAQ børsene etter markedsverdi, og delte dem inn i to grupper. Aksjene ble delt etter hvor store de var, slik at de største selskapene fant seg i en gruppe, og de små i en annen. Videre rangerte de aksjene etter bokført verdi i forhold til markedsverdien de ble handlet til i markedet, og delte de samme aksjene inn i tre ulike grupper basert på dette. De selskapene med lavest (30 %) pris/bok verdi ble plassert i en gruppe, de selskapene med middels (40 %) pris/bok verdi ble plassert i en annen, og de selskapene med høyest (30 %) pris/bok verdi ble plassert i en siste. Kombinasjonen av verdifaktoren og størrelsesfaktoren ble satt sammen og seks ulike porteføljer ble konstruert. I følge Fama og French (1993) besto porteføljene av alle kombinasjoner av for eksempel små selskaper med lav pris/bok verdi, til store selskaper med høy pris/bok verdi. På denne måten kunne de sammenligne avkastningen til de ulike porteføljene for å belyse hvordan bevegelsene var i forhold hverandre. SMB ble beregnet ved å beregne gjennomsnittlig avkastning for de små selskapene, fratrukket gjennomsnittlig avkastning for de store selskapene. HML faktoren ble beregnet ved å trekke fra gjennomsnittlig avkastning fra selskaper med lav pris/bok verdi fra gjennomsnittlig 20

30 avkasting for de selskapene med høy pris/bok verdi. Ved å beregne vektet avkastning for alle de seks porteføljene ble markedsavkastningen(r m ) spesifisert. På denne måten kunne Fama og French (1993) måle hvilken premie investorer får for å eksponere seg mot faktorene i modellen. Ved å eksponere seg mot faktorene i modellen vil en investor påta seg risiko, noe som en investor ifølge de tradisjonelle prisingsmodellene vil kreve en ekstra premie for. Med utgangspunkt i teorien om effisiente markeder vil man kunne trekke noen antagelser om hvilke variabler som har størst risiko, og intuisjonen vil si at mindre selskaper med høy pris i forhold til bokført pris vil bære størst risiko. SMB og HML faktorene er ikke i seg selv åpenbare kandidater for relevante risikofaktorer, men Fama og French (1993) argumenterer for at disse to faktorene kan fungere som fellesfaktorer for andre enda ukjente fundamentale variabler (Bodie, et. al, 2014). Et eksempel på dette gir Fama og French (1993) når de viser til at selskaper med høy pris/bok verdi har større sannsynlighet for å få finansielle problemer, og at mindre selskaper kan være mer sensitiv til endringer i bransjen de befinner seg i. Faktoren med størrelsen på selskapene ble inkludert i modellen for å spesifisere avkastningspremien en investor ønsker for eksponering mot små selskaper. Dersom denne faktoren er positiv vil det bety at mindre selskaper hadde en høyere avkastning enn de store selskapene. Dersom faktoren er negativ vil det bety at de store selskapene hadde høyere avkastning enn de små selskapene. På samme måte vil en positiv HML faktor bety at aksjer med høy pris/bok verdi hadde høyere avkastning enn aksjer med lav pris/bok, mens en negativ verdi for faktoren betyr at aksjer med høy pris/bok hadde en lavere avkastning enn aksjer med lav pris/bok verdi. Denne faktoren ble inkludert da Fama og French (1993) mente at slike multipler kunne ha en effekt på avkastningen til aksjer. 21

31 Tre-faktormodellen kan også benyttes for å se hvordan momentum i inntekter og avkastning kan belyse hvilken økonomisk tilstand selskapene befinner seg i. I følge Fama og French (1995) vil selskaper med lave inntekter og avkastningskrav ha en tendens til å ha høy pris/bok verdi og positivt fortegn for HML koeffisienten. Selskaper med høye inntekter har en tendens til å ha lav pris/bok verdi og negativt fortegn for HML koeffisienten Problemer med Fama og Frenchs tre-faktormodell Empiriske tilnærminger slik som modellen til Fama og French (1993) bygger på har et problem med at ingen av faktorene som er tatt i bruk i modellen kan identifisere hedging som en viktig kilde til usikkerhet (Bodie, et. al, 2014). Flere studier har vist at når man undersøker og tester slike teorier og modeller vil observatøren bruke store ressurser på å analysere kvantitative databaser, noe som kan føre til at de etterhvert oppdager tidligere tilfeldige mønstre som i realiteten ikke er annet enn tilfeldigheter. Ett eksempel på et slikt studie ble forklart av Fischer Black (1993), som benevnte dette problemet for data snoping. Dersom slik manipulering av modellen er mulig vil det skade modellens troverdighet og reliabiliteten til forskningen vil minskes. Black (1993) observerte at avkastningspremier slik som selskapsstørrelser har vist seg å være inkonsistent over tid. Ved enkelte tidsperioder varierte avkastningspremien med høye standardavvik, noe som ikke er ideelt for en slik modell. Fama og French (1993) har imidlertid vist at selskapsstørrelse og pris/bok verdien har estimert gjennomsnittlig avkastning godt i flere ulike tidsperioder samt ulike markeder i flere deler av verden. Dette vil være et argument for at muligheten for data-snoping og manipulering er liten, men Black (1993) vil allikevel ha et valid argument spesielt med tanke på faktoren om selskapsstørrelser da han viste at det kan være problemer med lav forklaringsgrad (R 2 ) av variansen for forventet avkastning med denne faktoren. Validiteten til tre-faktormodellen avhenger ifølge Bodie, et. al (2014) av hvordan aktørene i markedet forholder seg til den rasjonelle tanken om at for eksempel selskapsstørrelse ikke har noen betydning i seg selv. Dersom investorer priser kontantstrømmer uavhengig av markedsprisen til selskaper vil ikke faktoren om selskapsstørrelse ha noen innvirkning på avkastningspremien. 22

32 2.3.4 Q-Faktormodellen De siste 20 årene har flere ulike studier vist at tre-faktormodellen til Fama og French (1993) ikke gjør rede for flere ulike anomalier i prisingen av aktiva. Et eksempel på slike studier er Bernard og Thomas (1990) hvor forfatterne viste at aksjeprisene ikke reflekterer implikasjonene for nåværende fundamental fortjeneste i forhold til fremtidig fortjeneste. Videre viste de at aksjeprisene kunne få en random-walk effekt i lys av naive forventinger til kvartalstall fra investorer i markedet, og dermed skape en type kalenderanomali fra modellen. I lys av tre-faktormodellens problemer med å fordøye anomaliene har Hou, Xue og Zhang (2014) konstruert en ny empirisk modell som forsøker å forklare den forventede avkastingen til en aksje. Modellen har fått stor oppmerksomhet da den ved hjelp av ny innovativ tilnærming har identifisert faktorer som fanger opp mange av anomaliene i Fama og French tre-faktormodellen. Behovet for en modell som kan inkludere anomaliene for å estimere fremtidig aksjeavkastning har vært stort, da slike anomalier skaper støy for utdata blant annet belyst av den lave forklaringsgraden av variansen til forventet aksjeavkasting (R 2 ) ved hjelp av selskapsstørrelse og pris/bok verdien Tobins Q Modellen til Hou, et. al (2014) er inspirert av investerings-basert kapitalpris, og bygger på neoklassisk q-teori av investering. Den klassiske q-teorien kommer fra da Tobin (1958) utviklet en formel som i dag kalles for Tobins Q. Dette er en indikator som kan brukes til å se på forholdet mellom markedsverdien til et selskap, og hva det vil koste å gjenskaffe eiendelene på et gitt tidspunkt. Tobins Q er gitt ved følgende formel: Tobins Q = Markedsverdi Gjenanskaffelseskost (2.7) I følge Tobin vil denne formel 2.7 tendere mot 1, da markedsverdien på lang sikt vil bevege seg mot gjenanskaffelseskosten. Q-modellen har dette som utgangspunkt for de forklarende faktorene, men bruker en annen formel for å inkludere investering og gjenanskaffelseskosten i faktormodellen. 23

33 Q-modellens sammensetning Q-modellen estimerer forventet avkastning for en aksje fratrukket den risikofrie renten basert på sensitiviteten til fire ulike faktorer. Disse fire faktorene forsøker å fange opp anomaliene som tre-faktormodellen til Fama og French (1993) ikke makter. De fire faktorene i modellen til Hou, et. at (2014) også kalt, for q-faktor modellen er: 1. Avkastningen til markedet fratrukket risikofri rente (MKT) 2. Forskjellen mellom avkastingen til en portefølje med små selskaper og avkasting til en portefølje med store selskaper. 3. Forskjellen mellom avkastningen til en portefølje med selskaper med lavt investeringsbehov og avkastningen til en portefølje med selskaper med høyt investeringsbehov. 4. Forskjellen mellom avkastningen til en portefølje med selskaper høy fortjeneste av egenkapitalen (ROE) og en portefølje med selskaper med lav fortjeneste av egenkapitalen (ROE). Q-faktor modellen erstatter dermed pris/bok faktoren i tre-faktormodellen til Fama og French (1993) med en faktor som omhandler investeringsbehovet til en aksje og en faktor som omhandler fortjenesten av egenkapitalen (Return on equity). Faktoren med forskjellen mellom avkastingen til porteføljen med små selskaper i forhold til porteføljen med store selskaper forblir i modellen. Q-faktor modellen kan dermed utrykkes på følgende måte: E[r i ] r f i = β MKT i E[MKT] + β ME i E[r ME ] + β I/A i E [r I ] + β ROE E[r ROE ] A (2.8) i hvor E[MKT], E[r ME ], E[r I/A ] og E[r ROE ] er forventede faktorpremier, og β MKT i og β ROE er koeffisientene til sine respektive premier. i, β ME i, β I/A, 24

34 Investeringsfaktoren er inkludert etter logikken med at et selskap optimalt bør fortsette å investere helt til investeringskostnaden i dag er lik verdien av fremtidig investeringsfordeler diskontert til dagens pris ved å bruke aksjens forventede aksjeavkastning som diskonterings rente. Gitt forutsetningen om at alt annet er likt vil aksjer med høy investering ha lavere diskonterings rente enn aksjer med lav investering. I tillegg til dette vil aksjer med høy fortjeneste relativt til lav investering, ha høyere diskonteringsrente enn aksjer med lav fortjeneste. Modellen ble testet på historiske data fra januar 1972 til desember 2012 på de amerikanske børsene. I følge Hou, et. al (2014) får størrelsesfaktoren en gjennomsnittlig avkasting på 0,31 % per måned, investeringsfaktoren får et snitt på 0,45 % per måned, og avkastningen på egenkapitalen (ROE) faktoren får en gjennomsnittlig avkastning på 0,58 % per måned. Investeringsfaktoren har en høy korrelasjon (=0,69) med pris/bok verdien, og avkastning på egenkapital (ROE) faktoren har en høy korrelasjon (=0,50) med momentumfaktoren til Carhart (1997). For å evaluere hvordan modellen egnet seg til å forklare anomaliene som er identifisert gjennom ulike studier ble q-faktor modellen testet for omlag 80 variabler som dekket de fleste kjente anomaliene. Testen ble utført med desilporteføljer på New York Stock Exchange og beregnet verdivektet desilavkastninger. Testen viste to store funn som er nyheter innenfor det teoretiske rammeverket i finansteorien. For det første viste testen til Hou, et. al (2014) at omtrent halvparten av anomaliene får en ubetydelig gjennomsnittlig avkastning for "høy-minus-lav" desilene på NYSE børsen med verdi vektede avkastninger. Bevisene i modellen tyder på at mange av påstandene i litteraturen om anomalier virker overvurdert, og dysser dermed ned viktigheten av feltet. Årsaken til denne overvurderingen er en for stor vekt på små selskaper (Hou, et. al, 2014). 25

35 Q-faktor modellen med en markedsfaktor, en størrelsesfaktor, en investeringsfaktor og en fortjenestefaktor er ifølge Hou, et. al (2014) bedre til å fange mange av de viktige anomaliene enn den tradisjonelle tre-faktormodellen til Fama og French (1993). I tillegg til dette viser det seg at mange tilsynelatende urelaterte anomalier kan se ut til å være diverse manifestasjoner av investering og lønnsomhetseffekter. I lys av denne modellen kan man si at man kan bevege seg ett steg nærmere en konsensus på hvordan man på mest presis måte kan estimere forventet aksjeavkastning. Utfordringene med å forklare anomalier som empiriske mønstre hos forventede aksjeavkastning som de tradisjonelle modellene har vanskelig å fordøye, er en viktig utfordring for investorer og analytikere. Ettersom den forventede aksjeavkastningen er en sentral innsatsfaktor i de fundamentale aksjeprisingsmodellene, vil en endring i hvordan forventet aksjeavkastning estimeres kunne forandre investeringstilnærmingen. Dette er derfor et viktig tema for hvilke egenskaper som er viktig for relativ høy eller lav avkastning for aksjer. Q-faktor modellen forklarer derimot ikke alle anomaliene (Hou, et. al, 2014) og det vil dermed fremdeles kunne være rom for forbedringer i de empiriske modellene. 26

36 2.3.5 Arbitrasjeprisingsteorien Ved risikofritt å utnytte feilprising av ulike aktiva for å oppnå avkastning og skape profitt, kalles for en arbitrasjehandel. Teorien om arbitrasjeprising ble utviklet av Ross (1976), og sier at kontantstrømmer med like sikkerhetsekvivalenter skal ha like stor verdi. I motsetning til kapitalverdimodellens eneste risikofaktor "beta", bruker arbitrasjeteorien gjerne flere faktorer for å beregne den systematiske risikoen til et aktiva. I tillegg til dette er det mulig å teste de ulike systematiske risikofaktorene i en arbitrasjeprisingsteori i motsetning til betafaktoren i kapitalverdimodellen som ifølge Fama (1991) er vanskelig å teste. Den forventede avkastningen i arbitrasjeprisingsteorien vil variere med hvor eksponert eller sensitiv det konkrete aktiva er mot ulike risikofaktorer (Bodie, et. al, 2014). Forutsetningene i arbitrasjeprisingsteorien er at aktørene i markeder alltid vil velge det aktiva med høyest forventet avkastning dersom de har lik systematisk risikoeksponering, og at markedet dermed vil justere de ulike aktiva til likevekt. Videre forutsetter arbitrasjeprisingsteorien at det er tilstrekkelig utvalg av aktiva til å diversifisere bort den usystematiske risikoen (Bodie, et. al, 2014). Dersom de diversifiserte porteføljene har ulik beta-verdi må risikopremien bevege seg proporsjonalt med beta-verdien for å ha likevekt og unngå arbitrasjen. Arbitrasjemodellen utfordrer dermed antagelsen fra kapitalverdimodellen om at alle aksjer har samme sensitivitet til hver enkelt risikofaktor som ligger inne i betaen (Bodie, et. al, 2014). En modell med flere risikofaktorer er mer kompleks, men vil ha en fordel med å kunne dele opp den systematiske risikoen i flere ulike faktorer (Bodie, et. al, 2014). Formelen for en generell arbitrasjemodell kan formuleres på følgende måte: K R it = α i + β k F kt + ε it, i = 1,.., N k=1 (2.9) R it = meravkastningen for portefølje i på tidspunktet t, F kt = faktoravkastning ved tidspunkt t, og ε it = feilleddet for portefølje i ved tidspunkt t. Dette kan omskrives, og vi får vektorformen: R t = α + βf t + ε t (2.10) R t = vektor for meravkastningen på tidspunkt t, α = vektor av skjæringspunktet, β = matrise for faktorkoeffisienter, F t = vektor av faktoravkasting ved tidspunkt t, ε t = vektor av 27

37 feilleddene ved tidspunkt t. Man kan da se om modellen er riktig ved å se om vektoren av skjæringspunktet ikke er signifikant ulik null (Bodie, et. al, 2014). Videre kan man konstruere fler-faktorversjoner av arbitrasjeprisingsmodellen med flere ulike faktorer. Ettersom arbitrasjeprisingsteorien forutsetter at velfungerende kapitalmarkeder ikke tillater vedvarende arbitrasjemuligheter, vil det være mulig å utnytte aktiva som ikke er priset til korrekt pris. Ved å posisjonere kapital på en måte som vil få en meravkastning når prisene korrigeres til korrekt pris, vil man gjennom arbitrasjepristeorien kunne skape en mulighet til å kjøpe aktiva som er priset for lavt og short selge aktiva som er priset for høyt. Teorien om at markedet er effisient vil dermed være en kontradikterende teori av arbitrasjeprisingsteorien, men likevel forutsetter arbitrasjeprisingsteorien at aktørene i markedet korrigerer feilprisede aktiva tilbake til likevektsprisen. Man kan dermed si at ved å utnytte arbitrasjeprising vil man bygge på grunnprinsippene fra effisiensteorien, og utnytte avvikene fra likevektsprisen. Dersom man ved hjelp av å benytte arbitrasjeprisingsteorien kan få en risikofri meravkastning, vil man ved å identifisere egenskaper hos enkelte aksjer og verdipapir som fører til avvik fra korrekt pris og inkludere dette i en finansiell modell kunne øke forklaringsgraden til estimert fremtidig aksjeavkastning. Man kan i teorien bruke dette til å estimere fremtidig bevegelser i kursen, som allerede er noe av fundamentet til mye av høyfrekvens robothandel. Ved å stille inn algoritmen til handelsroboter på en måte som utnytter arbitrasje kan man i teorien utnytte arbitrasje i for eksempel valutahandel ved å handle lynraskt og korrigere avviket fra likevektsprisen. Slike situasjoner kan eksempelvis oppstå dersom et aktiva er priset ulikt på to ulike markedsplasser eller børser. 28

38 Ettersom Ross (1976) bygger sin teori på at aktiva med identisk risikoprofil skal prises likt i forhold til kontantstrømmen, vil en investor ved å identifisere ulike risikofaktorer i en faktormodell kunne plassere kapital ved det relativt billigste aktiva, for så å vente til markedet korrigerer prisene. Man vil da oppnå en meravkastning relativt til det aktiva hvor prisingen ifølge teorien er for høy ved å identifisere risikofaktorene. Som vi kan se i figur 2.7, vil aksjene i en veldiversifisert portefølje ligge på linjen hvor meravkastningen avhenger av eksponeringen mot risikofaktoren F. Dersom denne faktoren for eksempel indikerer makrovariabler i en regresjon vil man i en veldiversifisert portefølje kunne diversifisere bort faktoren, mens for enkelte aksjer vil faktoren påvirke meravkastningen (Bodie, et. al, 2014). En enkelt aksje er derimot ikke nødvendigvis veldiversifisert, og er dermed eksponert for usystematisk risiko. En enkelt aksje vil dermed ha en annen eksponering mot en enkelt faktor enn hva en veldiversifisert portefølje vil ha hvor meravkastningen avhenger kun av den systematiske faktoren. Figur 2.7: Meravkastningen til veldiversifisert portefølje mot enkelte aksjer i forhold til en aksje 29

39 2.4 Atferdsfinans Som en kritikk til hypotesen om effisiente markeder ble atferdsfinans et anerkjent fagfelt. Atferdsfinans satte spørsmålstegn ved antagelsen om at aktørene i markedet alltid handlet rasjonelt. Rasjonalitet er et interessant begrep fordi det ofte antas å representere et menneskelig adelsmerke. På den annen side er vi den eneste art som i mangt og mye er irrasjonelle. Kanskje er nettopp irrasjonaliteten menneskets fremste kjennetegn (Hessen, 2009). Dersom en investor ikke alltid handler rasjonelt, vil det da kunne være andre egenskaper ved en aksje som påvirker følelsene til en investor, som igjen kan avgjøre om en aksjekurs vil stige eller falle i verdi? Ettersom investorer er mennesker med følelser og mulighet for å gjøre feil ønsker jeg å inkludere atferdsteorien som en naturlig del av dette studiet. Dette for å kunne belyse hvordan atferd kan være med på å påvirke en aksjekurs. Atferdsteorien argumenterer for at psykologiske faktorer som følelser og selvtillit kan være med på å påvirke en aksjekurs, og ikke bare fundamentale forhold som for eksempel utbytte (Shiller, 1981). For å kunne inkludere psykologiske faktorer i finansielle modeller, ble atferdsfinans derfor introdusert til finansteorien på 80 og 90-tallet da Kahneman og Tversky (1979) fikk stor oppmerksomhet for sin forskning, som viste at det var avvik fra teorien om rasjonalitet og hvordan aktører faktisk handler. Atferdsfinans forsøker å tette dette gapet, ved å inkludere psykologiske faktorer i de finansielle modellene og dermed gjøre de mer virkelighetsnære. Atferdsfinans kan deles inn i to ulike hoveddeler basert på hvilken psykologisk årsak som ligger bak et irrasjonelt valg. Slike valg kan enten oppstå som et resultat av prosesseringsfeil på den ene siden, eller beslutningsfeil på den andre siden. En prosesseringsfeil oppstår når en investor ikke makter å prosessere tilgjengelig informasjon, mens beslutningsfeil oppstår når en investor mistolker informasjonen (Bodie, et. al, 2014) Nyttefunksjonen vs. prospektteori Atferdsfinans beveger seg bort fra den tradisjonelle teorien om forventet nytte, hvor utgangspunktet er basert på at aktørene i markedet er rasjonelle i møte med usikkerhet. Den forventede nytteteorien er konsistent, og forutsetter at aktører alltid vil handle likt ut i fra nyttefunksjonen. Prospekt teorien på sin side er en kritikk til den tradisjonelle nytteteorien, og hevder å være en teori over hva aktørene faktisk gjør, og ikke hva aktørene bør gjøre (Tversky, Kahneman, 1982). Ettersom dette er et litterært studie om temaet aksjeavkastning er 30

40 det naturlig å belyse motsetningene fra den tradisjonelle nyttefunksjonen til den nyere prospektteorien da dette er utgangspunktet i atferdsfinans Nytteteori Teorien om forventet nytte er en gammel teori utviklet av Neumann og Morgenstern (1944), som forsøker å definere den rasjonelle atferden når et menneske blir stilt ovenfor usikkerhet. Selv om teorien er gammel, er den fortsatt relevant ettersom den er en grunnleggende for teorien om effisiente markeder. Nyttefunksjonen tar utgangspunkt i at aktørene i markedet er rasjonelle og handler på samme måte dersom de blir stilt ovenfor usikkerhet i beslutningsprosessen, og bruker dette for å beskrive preferansene til aktørene i markedet. Ved å gjøre dette kan funksjonen brukes til å sette tall på alle utfall av en beslutning, og rangere utfallene hvor høyest verdi vil avgjøre beslutningen for rasjonelle aktører (Bodie, et. al, 2014). Figur 2.8: Den tradisjonelle nyttefunksjonen Som nyttefunksjonen i figur 4.1 viser, ser vi at den tradisjonelle nyttefunksjonen gir høyere inntekt enn avtagende høyere nytte. Funksjonen viser at den samlede nytten øker raskere når en aktør har lav formue, men jevnes ut når formuen øker. Dette trekkes inn i finansielle modeller hvor man beregner sikkehetsekvivalenter eller avkastningskrav. 31

41 Prospektteori En annen motsigende teori fikk på sin side oppblomstring etter at Allais (1953) og Ellsberg (1961) identifiserte problemer og motsigelser mot nyttefunksjonen som etterhvert førte til at Kahneman og Tversky (1979) utviklet prospektteori på 1970 og 80-tallet. Den nye prospekt teorien identifiserte flere tilfeller hvor aktørene i markedet handlet irrasjonelt når de ble stilt ovenfor økonomiske vurderinger. Tversky og Kahneman (1992) forklarte prospekt teorien med at prospekt teorien er en teori på hva mennesker faktisk gjør, og ikke hva folk bør gjøre (slik som antakelsen i nyttefunksjonen). Tversky og Kahneman (1982) argumenter for tre hovedpunkt ved observert atferd som fundamentet for prospekt teorien: 1. Mennesker søker risiko i tapsdomenet, og er risikoaverse i gevinstdomenet 2. Mennesker verdsetter aktiva avhengig av avkastning til et referansepunkt. 3. Mennesker opplever at tap smerter mer enn hva like stor gevinst gleder Punkt 1 ble til etter at Tversky og Kahneman først observerte at de fleste menneskene vil velge å ha 80 % mulighet for å tape 5000, fremfor et valg med 100 % sikkerhet å tape 4000 ved et fritt valg, for så å observere at de fleste menneskene velger en sikker gevinst på 4000 fremfor en 80 % sannsynlighet for å vinne Observasjonen viser at man går fra å være risikosøkende til å bli risikoaverse, noe som bryter med forutsetningen i nytteteorien. Punkt 2 viser at aktører ofte overvurderer egne eiendeler, noe som Ackert, Church og Dwyer (2007) viste i sitt eksperiment da en gruppe studenter fikk 10 amerikanske dollar (USD) i kontanter og ble spurt om hvor mye de ville betale for en kopp kaffe. Svaret studentene ga var et gjennomsnitt på omlag 1,5 USD. Da en annen gruppe fikk utdelt en kopp kaffe, og ble spurt om hvor mye de ønsket å selge kaffekoppen for svarte studentene ca. 7 USG i gjennomsnitt. Med andre ord var følelsen av å gi opp godet sterkere enn følelsen av å motta godet. Punkt 3 kan ifølge Tversky og Kahneman (1992) forklares med at dersom en investor står ovenfor et aktiva som gir en gevinst på USD med like stor sannsynlighet for et tap på USD så vil ikke investoren delta med mindre gevinsten blir nesten dobbelt så høy som det mulige tapet. 32

42 Med disse tre punktene som utgangspunkt ble en ny nyttefunksjon utviklet som et alternativt motargument mot den tradisjonelle forventede nytten. Nyttefunksjonen i prospekt teorien (figur 2.9) definerer nyttefunksjon som endring i formuen, og ikke endring i inntekt slik som i den tradisjonelle nyttefunksjonen. Nyttefunksjon er konveks til venstre for utgangspunktet, noe som belyser at tap reduserer den samlede nytten mer enn hva en ny gevinst vil øke den (Bodie, et. al, 2014). Figur 2.9: Nyttekurven i prospekt teorien Kan psykologi forklare aksjeavkastning? Adferdsfinans er interessant ettersom det er en forklaring på hvorfor markeder kan være ineffisient ved å belyse de psykologiske aspektene som finnes i markedet. Det er relevant for dette studie, ettersom ulike studier kan vise til at enkelte egenskaper ved aksjer er spesielt viktige for om en investor vil kjøpe eller selge en aksje Konservatisme Montier (2002) viste ved hjelp av observasjoner (Figur 4.3) at aksjemarkedet har en tendens til å underreagere på ny fundamental informasjon (som for eksempel utbyttebetalinger, eller kvartalstall). For eksempel var det slik at i de 60 dagene etter en resultatrapport, fikk de aksjene med de største positive resultatoverraskelsene en meravkastning på ca. 2 %, selv om det var en 4-5 % meravkastning også i de 60 dagene før resultatfremleggelsen (Montier, 2002). Mennesker har en tendens til å holde seg fast til sine synspunkter eller estimater, og aktører i markedet har vanskelig for å bevege seg bort fra en posisjon i markedet når posisjonen først er tatt. Montier (2002) argumenterer videre at når bevegelsen fra aktørene 33

43 først kommer, kommer den veldig sakte, og kaller dette for konservativ bias. Figur 2.10 viser hvordan konservativisme hos analytikere fører til at de har hatt for stor tillit til sitt opprinnelige standpunkt og bare endrer det når de blir presentert for ufravikelig bevis på at det var feil (Montier, 2002). Figur 2.10: Montier observerer at analytikere holder fast ved sine estimater. Dette er klare bevis på at det finnes en konservativ bias i handlingene til aksjeanalytikere, men den observerte trenden kan også enkelt brukes hos individuelle investorer som har et kursmål for sine aksjer og holder fast på disse selv når de presenteres for ny informasjon. Videre kan man spekulere i om tidligere kursmål kan være en egenskap som kan være med på å påvirke en aksjes fremtidige avkastning Overdreven selvtillit Overdreven selvtillit eller overdreven selvsikkerhet er tendensen aktører i markedet kan ha til å overvurdere egne intuitive resonnementer, dømmekraft og kognitive egenskaper (Camerer, Lovallo, 1999). Det kan også være å ha en overdreven tro på framtidsutsikter og egen kontroll over dette. Konseptet om overdreven selvtillit kommer av flere psykologiske eksperimenter og undersøkelser hvor aktører har overvurdert egen evne til å estimere fremtiden, og presisjonen av informasjonen de har (Pompian, 2006). Dersom en investor har overdreven selvtillit kan investoren for eksempel estimere en 10 % gevinst eller tap, når historiske tall viser et standardavvik som er mer dramatisk. Investoren vil dermed undervurdere nedsiderisikoen. 34

44 Mennesket har også en tendens, ifølge Camerer og Lovallo (1999) til å være for sikker på sin egen dømmekraft, og kaller dette for sikkerhets over-selvtillit. Et eksempel på dette kan oppstå dersom en investor er kommet frem til at en aksje er en god investering, og blir overrasket eller skuffet dersom avkastningen ikke blir som ventet. En slik atferd kan føre til at investorene søker etter populære aksjer, og havner ofte i situasjoner hvor deres porteføljer ikke er veldiversifiserte (Pompian, 2006). Dette diskuteres nærmere i neste avsnitt Tiltrekning mot vinnere og kjente markeder Investorer i markedet kan ha en tiltrekning mot trygghet, som de finner ved å posisjonere seg i kjente markeder. Dette kan ifølge Pompian (2006) føre til en overeksponering mot lokale hjemmemarkeder, og vil dermed føre til irrasjonelle handlinger. Fordeler som for eksempel informasjon og lokale kunnskaper fører til at investorer ofte ønsker å posisjonere seg mot hjemmemarkedet, og lar derfor følelsen av trygghet veie større enn risikoen ved å overeksponere seg mot et marked. Dersom informasjonsgevinstene en investor har, ved for eksempel lokal overvåkning, ikke veier opp for overeksponeringen vil dermed porteføljen bli udiversifisert. Investorer har i tillegg til dette ifølge French og Poterba (1991) vist seg å være for optimistiske på generell basis mot hjemmemarkeder i forhold til utenlandske markeder. Dette vil kunne føre til mindre grad av risikoaversjon for investorer på hjemmemarkedet, og økt risikoaversjon på utenlandske markeder. De historiske prisene og kvartalstallene kan også skape ulik atferd fra investorer basert på om aksjene blir ansett som taper- eller vinneraksjer. Barber og Odean (2008) viste at selskaper og aksjer som fikk stor omtale i mediene lettere ble kjøpt av investorer enn aksjer som var lite omtalt. Dette i seg selv er ingen stor overraskelse da det er naturlig at økt oppmerksomhet gir økt volum, men forskningen (Bareber, et. al, 2008) viste også at investorer har en tendens til å ha økt eksponering mot aksjer som er omtalt i mediene relativt til de aksjene som får lite omtale. Tapsaversjon kan føre til at investorer selger vinneraksjer for tidlig, i frykt for at deres profitt vil forsvinne om de ikke selger (Pompian, 2006), men andre studier har vist at investorer også har en tendens til å holde sin posisjon i taperaksjer for lenge (Shefrin, Statman, 1985). Slik atferd kan føre til at historiske data som kursbevegelser og volum kan være egenskaper som kan påvirke om en aksje vil ha høy eller lav avkastning også i fremtiden. Dette er et interessant tema for oppgaven da man kan utnytte dette for å skape en egen fordel i porteføljen. 35

45 2.4.3 Momentum-teori Momentum har en lang og spesiell historikk, og ideen til momentum investering begynte allerede med Isaac Newtons lov om bevegelse. Et objekt i en gitt bevegelse vil tendere til å forbli i den samme bevegelsen. Selv om Newton neppe tenkte på finans da han lanserte denne teorien, kan noen av de samme prinsippene overføres til investering og kapitalmarkeder. Ifølge Antononacci (2014) tapte Newton en formue på børsen i 1718 til 1721 etter å ha investert i South Sea Company, som overvurderte inntektsmulighetene i den britiske koloniseringen av Sør-Amerika. Newton skal i ettertid ha uttalt «Jeg kan kalkulere bevegelsene til stjerner, men ikke galskapen i mennesket» Momentum-anomalien På generell basis kan man si at positivt momentum oppstår når prisen til et verdipapir på tidspunkt p t er høyere enn prisen på tidspunkt p t 1. Man kan dermed også si at negativt momentum oppstår når prisen på tidspunkt p t er lavere enn på tidspunkt p t 1. Det finnes mange måter å beregne momentum og implementere dette i en modell, men en vanlig måte er avkastningen det siste året fratrukket avkastningen den siste måneden. De fleste akademikere er i dag enige om at man kan tjene på å utnytte momentum, men årsaken til at dette er det større tvil om. Dersom vi får en bedre forståelse om hvordan og hvorfor momentum fungerer kan vi få en bedre innsikt i hvordan markedet fungerer generelt (Antonacci, 2014). Da Schwert (1993) undersøkte ulike markedsanomalier tilknyttet meravkastning, viste han at momentum var den eneste anomalien som ikke forsvant, reverserte seg, eller ble svakere når de ble oppdaget. Faktorene og anomaliene som var inkludert i denne studien var verdi, størrelse, kalender effekter og momentum. Fama og French (2008) kalte momentum for hoved anomalien i nyere tid. De viste at aksjer med lav avkastning det siste året har en tendens til å ha lav avkastning de påfølgende månedene, mens aksjer med høy avkastning det siste året har en tendens til å ha høy fremtidig avkastning. Momentum har også vist seg å være robust over tid, noe Geczy og Samonov (2012) viste ved å teste momentum tilbake i tid. De viste at momentum var en effektiv strategi på amerikanske aksjer helt tilbake til Siden det gjentatte ganger er vist at enkelte anomalier forsvinner når de blir belyst, er det derfor naturlig å vurdere om også momentum vil forsvinne eller miste effekt i fremtiden. Dersom flere investorer benytter seg av en momentumstrategi i kapitalmarkedet vil effekten av anomalien reduseres over tid. Som nevnt tidligere har studien til Geczy og Samonov 36

46 (2012) likevel vist at anomalien har eksistert i mange år, noe som brukes til å argumentere for at den også vil fungere i fremtiden. Jegadeesh og Titman (1993) viste at ved å kjøpe aksjer som hadde gjort det bra den siste tiden og selge aksjer som hadde gjort det dårlig kan man få en meravkastning ved å holde strategien over 3 til 12 måneder. Dette underbygger poengene fra atferdsteorien, hvor tendenser har blitt påvist at investorer han en tiltrekning mot vinneraksjer. Det spennende med dette studiet var at årsakene til at vinneraksjer gjør det bedre enn taperaksjer ble forklart med mønstre i kursbevegelsene rundt resultatfremleggelsene, og ikke med systematisk risiko eller forsinkede aksjeprisbevegelser. Jegadeesh og Titman (1993) viste dermed at investorer kan ha en tendens til å overreagere på ny informasjon som omhandler et verdipapir. En lignende studie er De Bondt og Thaler (1985) hvor forfatterne viste at over en 3- til 5-års periode vil man få høyere avkastning ved å eie aksjer som hadde gjort det dårlig i tiden før enn aksjer som hadde god avkastning. Det vil derimot være mulig å forklare dette med den systematiske risikoen i porteføljene. I tillegg til dette viste det seg at de aksjene som hadde hatt dårlig avkastning kun gjorde det bedre enn de aksjene som hadde god avkastning i januar, og dermed vil det kunne diskuteres om funnene i dette studiet kan forklares med overreaksjoner Hvorfor fungerer momentum? Det finnes to hovedargumenter for hvorfor momentum fungerer. Det første argumentet er en rasjonell forklaring på at høy momentumsgevinst skyldes kompensasjonen investorene får ved å ta større risiko. Det andre argumentet belager seg på at investorer har en systematisk irrasjonell atferd som kan oppdages på forhånd ved hjelp av momentum. Noen mener også at det er mulig å beskrive momentum som en kombinasjon av både rasjonelle og irrasjonelle faktorer (Antonacci, 2014). Momentum kan derfor være en egnet faktor i en faktormodell, da man kan argumentere for at den inkluderer elementer fra atferdsteorien Momentum foran verdi-faktoren? Israel og Moskowitz (2013) viste at ved å belyse verdiaksjene med sofistikerte faktorer og metoder at en verdi-faktor med pris over bok ikke kunne forklare avkastningen for 40 % av selskapene notert på NYSE. I studien fant de at disse aksjene var de samme som var store nok til at de store institusjonelle fondene kunne investere i dem. Bare de minste selskapene i 37

47 studien viste en signifikant verdi-faktor, noe som åpner for diskusjon om virkelig verdifaktoren fra Fama og French (1992) er relevant i en fler-faktormodell. Et annet argument for dette ble belyst av Kothari, Shanken og Sloan (1995) da de forsøkte å kopiere studien til Fama og French (1992) og fant at det kunne argumenteres for at det fantes utvalgs-bias i studien. De fant ved å bruke en annen datakilde at det ikke fantes et signifikant positivt forhold mellom pris/bok og gjennomsnittlig avkastning. Studien til Kothari et al. (1995) har fått liten oppmerksomhet, og kan skyldes at Fama og French er svært respekterte i finansmiljøet. Israel og Moskowitz (2013) viste også at en momentum-faktor er tilstede og stabil i alle desilporteføljene, og ikke bare de 40 % største selskapene. Momentum hadde i tillegg et signifikant positivt forhold til gjennomsnittlig avkastning gjennom alle 20-års delperioder. Alfa-verdiene i studien varierte fra 8.9 % til 10,3 % per år over alle delperiodene før transaksjonskostnadene var trukket fra. Faktor Gjennomsnittlig årlig avkastning Standardavvik Sharpe-ratio Verdi 12,40 % 26,5 0,47 Momentum 13,60 % 21,8 0,62 Tabell 2.1: Israel og Moskowitz (2013) tester momentum mot verdi over en periode på 86 år. Som tabell 2.1 viser kan momentum-faktoren være en svært relevant faktor å inkludere i en faktormodell. Selv om det også finnes gode resultater for verdi-faktoren kan disse resultatene belyse at det finnes rom for andre faktorer som kan erstatte verdi-faktoren. Fama og French (2014) poengterte dette da de erstattet verdi som en risikofaktor med en kombinasjon av lønnsomhet (resultat over bok-verdien) og investerings intensitet (årlig vekst i totale eiendeler). 38

48 3. Metode I dette kapittelet vil de ulike metodene som er anvendt i undersøkelsen bli presentert. Metodene som blir gjennomgått, er fremgangsmåten for innsamling av data, og har fungert som hjelpemidler til å belyse oppgavens problemstilling. Forskningsmetode kan forklares med alle metoder og teknikker som er tatt i bruk for å utføre forskningen. Det er en måte å systematisk løse en problemstilling (Kothari, 2004). For å finne et svar på problemstillingen i denne masteroppgaven er det brukt store mengder data. En kvantitativ tilnærming er dermed utgangspunktet for metoden og analysen som er anvendt. 3.1 Multippel regresjonsanalyse og minste kvadraters metode For å beskrive forholdet mellom en eller flere forklarende variabler og en forklart variabel kan regresjonsanalyse anvendes. I denne oppgaven vil flere ulike faktorer forsøke å forklare avkastningen på Oslo børs. Dermed vil multippel regresjonsanalyse bli benyttet for å estimere koeffisientene i fler-faktormodellen, der den forklarte variabelen blir avkastningen på Oslo børs og de forklarende variablene blir de faktorene som benyttes i modellen. Formel 3.1 kan da utrykke sammenhengen mellom variablene. y t = α o + β 1 x t1 + β 2 x t β k x tk + u t (3.1) Der y t = avhengig variabel som forklares ved konstanten = α 0 og forholdet mellom koeffisienten = β i og de forklarende variablene = x ti. Den stokatiske variasjonen i y t som ikke kan forklares ved x ti er representert ved feilleddet u t. Denne formen for regresjon er en klassisk lineær regresjon, og er utgangspunktet for de estimerte parameterne. u i 2 Det finnes ulike metoder for å estimere koeffisientene i regresjonen. Den mest populære metoden for å estimere parameterne i en lineær regresjons kalles for minste kvadraters metode (Chincarini & Kim, 2006), og baser seg på å minimere summen av kvadratene av residualene på følgende måte: min β N ` (y i β XI ) 2 i=1 (3.2) Hvor man tar i bruk kvadrerte differanser for å unngå at de positive og negative avvikene fra regresjonslinjen skal nullstille hverandre. På denne måten vil regresjonslikningen sørge for at summen av de kvadrerte feilleddene blir minimert. Residualen kan utrykkes på følgende måte: 39

49 u i = y i β `x i (3.3) Dermed blir residualen forskjellen mellom de estimerte verdiene i regresjonen, og de faktiske observerte variablene. Dette kan illustreres ved å plotte inn de faktiske observasjonene ved regresjonslinjen. Denne linjen vil tilpasse seg til best mulig tilstand, for å minimere summen av feilleddene. Figur 3.1: Regresjonslinjen trekkes i beste lineære linje i forhold til residualene. Svaret på minimeringen av residualene vil dermed definere estimatet fra minste kvadraters metode til følgende ligning: n N β = ( x i x I`) 1 ( x i y i ) i=1 i=1 (3.4) Forklaringsgraden er en verdi som beskriver hvor mye av variasjonen i en avhengig variabel som kan forklares med de uavhengige variablene. Forklaringsgraden (R 2 ) er et tall mellom 0 og 1, hvor 0 betyr at ingen variasjon i den avhegige variabelen kan forklares med de uavhegige, og 1 betyr at all variasjonen i den avhegige variabelen kan forklares av de uavhegige variablene. R 2 kan utrykkes på følgene måte: N R 2 i=1 u i2 = 1 N i=1(y i y ) 2 (3.5) 40

50 Hvor y er gjennomsnittet til y. Dersom alt annet er likt, vil forklaringsgraden øke i takt med antall forklarende variabler. Forklaringsgraden kan derimot bli overvurdert dersom det er for mange variabler. Som en løsning på dette problemet kan man bruke R 2 (Chincarini & Kim, 2006) som utrykkes på følgene måte: 1 R 2 = 1 N K 1 N i=1 u i 2 1 N 1 N i=1 (y i y ) 2 (3.6) Minste kvadraters metodes forutsetninger Det finnes en rekke viktige forutsetninger i minste kvadraters metode som må være til stede for å få et godt estimat i regresjonen. Dersom forutsetningene brytes, vil ikke lenger regresjonslinjen være beste lineære estimat. Minste kvadraters metode forutsetter at det ikke finnes autokorrelasjon i feilleddene. Kovariansen mellom feilleddene må derfor være lik null over en lengre tidsperiode. Ved korrelerte feilledd vil autokorrelasjon eksistere. Estimatene vil kunne ha høy forklaringsgrad, men variansen ikke være minimerende. En Durbin-Watson test kan benyttes for en test av modellens autokorrelasjon. En slik test vil kunne indikere autokorrelasjonen gitt av en verdi mellom 0 og 4, hvor verdien 2 indikerer ingen autokorrelasjon. Verdier mot 4 indikerer negativ autokorrelasjon, mens verdier mot 0 indikerer positiv autokorrelasjon. En positiv autokorrelasjon vil bety at en positiv feil i en gitt observasjon vil øke sannsynligheten for at den neste feilobservasjonen også er positiv. En negativ autokorrelasjon betyr at en positiv feil i en gitt observasjon vil øke sannsynligheten for en negativ feil i neste observasjon. En annen forutsetning er at forventet verdi til feilleddet er lik null. Med andre ord skal det ikke finnes systematiske sammenhenger mellom den avhengige variabelen og faktorer som ikke er inkludert i modellen. Videre forutsetter minste kvadraters metode at alle de forklarende variablene i regresjonen ikke er stokastiske. Med andre ord kan ikke variablene betegnes som hendelser som inntreffer med kjente hyppigheter eller sannsynligheter (Chincarini & Kim, 2006). 41

51 Feilleddene i regresjonen bør være normalfordelte for å oppnå gode estimater i regresjonen. Dersom denne forutsetningen ikke er tilstede vil inferensen få en grad av ugyldighet. En mulig løsning for å oppnå normalfordelte feilledd er å øke mengden i datautvalget. For å teste normaliteten i regresjonen kan en Bera-Jarque test benyttes. Denne testen belager seg på at normalfordelingen kan defineres av forventningsverdi og varians, og måler skjevheten og tykkheten i halene. Det forutsettes også at residualene er homoskedastiske. Dette vil si at variansen til feilleddet er konstant, og ikke uendelig stort. Motsetningen til dette (heteroskedastisitet) kan oppdages ved å teste med Whites test. Ved å benytte heteroskedastiske data vil man få estimatorer som ikke minimerer variansen, selv om de kan ha høy grad av forklaringsgrad. Dermed er det viktig for forskningen at dette er hensyntatt, for å unngå å trekke konklusjoner på ukorrekt standardavvik (Chincarini & Kim, 2006). For å unngå dette problemet kan være å ta i bruk logaritmeform på talldata, eller korrigere standardavviksestimatene for heteroskedastisitet. En siste forutsetning for en god minste kvadraters metode er at det ikke eksisterer multikollinearitet mellom de forklarende variablene. Dersom noen av de forklarende variablene korrelerer med hverandre vil konsekvensene blir at koeffisientene i regresjonen ikke er til å stole på. Koeffisientene vil kunne forandres drastisk ved å legge til eller fjerne en av de forklarende variablene som er multikollineare som ofte fører til lave t-verdier. Det finnes ingen enkelt måte å oppdage multikollinearitet (Chincarini & Kim, 2006), men kan assosieres med høy R 2 sammen med lave t-verdier. Man kan også sammenlikne korrelasjonskoeffisienten mellom to variabler i forhold til R 2 til regresjonen. Dersom korrelasjonskoeffisienten (ρ) er større enn forklaringsgraden (R 2 ) kan dette være et tegn på multikollinearitet. Det er vanskelig å unngå all korrelasjon mellom forklarende variabler i en regresjon som skal forklare aksjeavkastning (Chincarini & Kim, 2006), men dersom korrelasjonen holder seg på et akseptabelt minimumsnivå vil ikke regresjonen nødvendigvis bli negativt påvirket Kovarians og korrelasjon For å kunne måle en lineær sammenheng mellom to variabler, kan kovariansen tas i bruk. Kovariansen måler hvordan variablene i gjennomsnitt beveger seg i samme retning. Dersom kovariansen er positiv, betyr det at de to variablene beveger seg i samme retning, noe som igjen betyr at en negativ kovarians betyr at variablene beveger seg i motsatt retning. Dersom 42

52 kovariansen er null, betyr det at det ikke finnes noen sammenheng mellom variablene. Kovariansen kan utrykkes på følgende måte: σ x,y = (x i x )(y i y ) (N 1) (3.7) Der σ x,y = kovariansen mellom x og y, x i og y i = observasjonene av de to variablene, x og y = gjennomsnittet til de to variablene, og N = antall observasjoner. En fundamental svakhet med kovariansen som et mål på sammenhenger er at den skalerer med standardavviket til variablene (Brooks, 2014). På denne måten vil kovariansen bli tidoblet dersom man multipliserer alle verdiene til variablene med 10, uten at variablene vil ha større sammenheng før reskaleringen. Korrelasjon kan derfor benyttes for å tvinge frem en intervallverdi mellom -1 og 1. En korrelasjon på -1, 0 og 1 vil bety henholdsvis perfekt negativ, ingen, - og perfekt positiv korrelasjon. Korrelasjonskoeffisenten kan beregnes på følgende måte: ρ x,y = (x i x )(y i y ) (N 1)σ x σ y = σ x,y σ x σ y (3.8) Der ρ x,y = korrelasjonskoeffienten, σ x og σ y = standardavviket til henholdsvis x og y, x i og y i = observasjonene av de to variablene, x og y = gjennomsnittet til de to variablene, og N = antall observasjoner. Selv om kovariansen og korrelasjon er en enkel måte å måle sammenhenger mellom ulike variabler, er de to målene svært begrenset med tanke på at de er lineære, og og ikke kan gi et fullstendig overblikk over den komplette sammenhengen (Brooks, 2014). Det er derfor viktig å inkludere andre metoder for å analysere sammenhengen mellom ulike variabler. Kovariansen og korrelasjon kan for eksempel brukes i test for multikollinearitet sammen med et residual-plot. 43

53 3.2 Hvorfor faktormodell? Den mest populære metoden i de akademiske miljøene for å forklare aksjeavkastning er å benytte fler-faktormodeller. Når faktorene i fler-faktor modellen er bestemt og analysert, kan vi beregne hvor mye hver enkelt faktor bidrar til å forklare den historiske avkastningen. Faktoreksponeringeringen til en aksje kan forklares med den sist observerte verdien til faktoren til aksjen. Dersom for eksempel faktoren vi ønsker å beregne faktoreksponeringen til er egenkapitalavkastningen, er en aksjes faktoreksponering mot denne faktoren aksjens siste observerte verdi av egenkapitalavkastning. Faktorpremie på sin side kan forklares som den premien markedet ønsker for å påta seg risikoen som faktoren representerer. En slik metode brukes når faktoren man ønsker å måle ikke er direkte observerbar (Chincarini & Kim, 2006). Ved slike tilfeller kan faktoreksponeringen estimeres ut i fra forholdet mellom avkastningen og faktorpremiene. Som det ble belyst i denne oppgavens teori-del, er det ikke alltid kapitalverdimodellen som forklarer aksjeavkastning på best mulig måte. Som et svar på dette har flere studier tatt i bruk fler-faktormodeller som metode for å forklare avkastningen, og på denne måte beregne en alfaverdi. Den forventede aksjeavkastningen som en fler-faktormodell estimerer blir et produkt av en aksjes eksponering til de ulike faktorene som er benyttet i modellen. Ettersom faktoreksponeringen bestemmes ut i fra historiske tall, vil ikke den estimerte fremtidige avkastning alltid være riktig, og forholdet mellom avkastning, eksponering og premie vil med høy sannsynlighet forandres i fremtiden (Chincarini & Kim, 2006). Det vil derfor ofte være nødvendig å beregne faktorpremiene i tillegg. 44

54 3.3 Datainnsamling For å kunne utføre en kvantitativ forskningsanalyse kreves det ofte store mengder tall og datamateriell. Dette er også naturlig for denne studien, da fremgangsmåten for å kunne belyse oppgavens problemstilling er av en kvantitativ karakter. Daglige aksjekurser, utbytter, antall utestående aksjer, handelsvolum, emisjoner, aksje-splitter (og reverser), egenkapital og resultater er bare noe av det som har blitt innhentet for alle de 232 selskapene som har vært notert på OSEBX siden Da denne studien ønsker å forklare avkastningen ved den norske børsen, i stedet for en amerikansk indeks, betyr det at innhenting av data blir vanskeligere. Det finnes en rekke gode offentlig tilgjengelig databaser for innhenting av datamateriale for amerikanske aksjer og indekser (For eksempel Yahoo Finance). Selv om disse databasene også inneholder informasjon om de norske aksjene, må man måtte benytte mer sofistikerte databaser for å innhente historiske tall og kurser for norske selskaper lenger tilbake enn 5 år. Dette gjelder spesielt mindre selskaper og spesifikk informasjon, som for eksempel handelsomsetning eller historisk egenkapital. Oslo børs sine hjemmesider kan bare tilby å laste ned data 5 år tilbake i tid, og eldre historikk må bestilles. Det er også utfordrende å til en hver tid vite hvilke selskaper som er notert på OSEBX-indeksen. Dette kun børsmeldes 2 ganger i året, og selskaper som har gått ut av indeksen enten på grunn av oppkjøp eller konkurs ved en tidligere dato, ikke vil bli oppgitt før tidspunktet meldingen sendes ut. Spesielt ressurskrevende datamaterialet å innhente er regnskapstall, da det ikke finnes noen offentlig database i Norge for dette tilbake i tid (mer enn 5 år) med unntak av børsmeldingene direkte fra selskapene. Dersom man vil innhente kvartalsmessige tall på denne måten tilbake til 1996 for alle de 232 selskapene som har vært notert på indeksen i perioden blir dette rundt kvartalspresentasjoner, noe som selvsagt blir et svært krevende arbeid sammenhengende med ressursene som er tilgjengelig for denne oppgaven. Dette gjør at andre metoder og databaser er blitt benyttet for å innhente datamaterialet for denne oppgaven. For å kunne gi et innblikk i hvordan prosessen med datainnsamling har vært, vil de ulike metodene nå bli gjennomgått. Dette gjøres for lettere å kunne validere faktormodellen, samtidig som at tester av faktormodellen vil bli enklere å gjennomføre. Det er viktig å være tydelig på hvilke type data som er bakgrunnen for funnene i tidligere studier, slik at man kan sammenligne resultatene på tvers av de fundamentale sammenhengene. Man vil da også bedre kunne observere styrker og svakheter med ulike studier, noe som kan overføres inn i denne oppgaven. 45

55 3.3.1 Valg av data og analyseperiode Hovedelementet for analysen i denne oppgaven er OSEBX-indeksen. Denne indeksen er valgt på bakgrunn av min egen interesse for Oslo børs, og for å kunne undersøke om teorier som er nøye testet på amerikanske børser også vil gjelde på samme måte for selskapene på Oslo Børs. Når det kommer til analyseperiode er tidsperioden valgt. Denne perioden er valgt for å ha nok historikk til å kunne gjøre en grundig analyse, samtidig som perioden representerer en tid som er relevant i forhold til dagens situasjon på Oslo børs. En mindre indeks vil lettere bli påvirket av hjemlandets situasjon, og bankkrisen fra førte til store svingninger på indeksen. Ettertiden av denne krisen var også preget av volatile priser og ustabilt finansielt miljø, noe som kan føre til ekstremverdier i datamaterialet. Januar 1996 virker som et godt startpunkt for analysen ettersom stabil vekst hadde begynt å tilta, samtidig som perioden inkluderer finansielle kriser som IT-boblen rundt år 2000 og finanskrisen i En annen årsak til at 1996 benyttes som startpunk for analysen er at databasen for selskapsspesifikk informasjon er mangelfull før denne perioden, og inkludering av tidligere tidsperioder vil redusere modellens validitet og reliabilitet Databaser og andre kilder Datamaterialet som er benyttet for å kunne belyse denne oppgavens problemstilling er hentet fra ulike databaser. Utfordringene med å til en hver tid identifisere aksjene som var notert på OSEBX-indeksen tilbake i tid sammen med mangel på detaljert informasjon som for eksempel endring av utestående aksjer og historiske dividender gjorde at dette ble bestilt direkte fra Oslo børs (Se vedlegg 7.3 for kontrakt med Oslo børs). Tallene som ble tilsendt inkluderte historiske daglige aksjekurser, handelsvolum, dividender, antall aksjer, markedsverdi (MCAP), inngangsdato og dato for avlisting. Kursene ble deretter justert etter de nødvendige grepene for å kunne gi et realistisk bilde av en reell avkastning en eier av de ulike aksjene ville ha hatt ved å investere i verdipapirene. Historiske regnskapstall som for eksempel egenkapital og resultat for å kunne beregne avkastningen på egenkapitalen var som tidligere nevnt vanskeligere å oppdrive. Databasene til min arbeidsgiver DNB og DNB Markets ble derfor benyttet for innhenting av dette. Dermed ble kvartalsmessige tall på alle selskapenes egenkapital og resultater samlet inn, slik at avkastning på egenkapitalen kunne beregnes med kvartalsmessige observasjoner. 46

56 Databasen og meglersystemet ProBroker ble også benyttet for å validere tallene som ble tilsendt fra Oslo Børs med stikkprøver for å sikre inndataenes kvalitet. Regnskapstallene ble kvalitetssikret med stikkprøver mot databaser som Bisnode Online, og enkelte selskapers kvartalsrapporter og årsrapporter tilbake i tid Justeringerer og transformering av inndata Dersom man skal benytte multippel regresjon for å kunne forklare en variabel, forutsetter man at tallene som tas i bruk er normalisert (Brooks, 2014). På denne måten kan man sammenligne endringer i aksjekurser og analysere hvordan de ulike selskapene utviklere seg på børsen i forhold til det man ønsker å undersøke. Det vil derfor være nødvendig med justeringer av rå-datamaterialet som er innhentet slik at det er klart til å brukes i en analyse. Ettersom enkelte av verdiene som ble hentet fra databasene ikke kunne plottes direkte inn i modellen og regresjonen, var enkelte justeringer nødvendig. Et eksempel på dette er at de daglige aksjekursene ble justert for dividender, og historiske valutakurser ble innhentet for å kunne gjøre om utbytter i utenlandsk valuta til norske kroner. Ettersom OSEBX-indeksen er verdijustert må alle de enkelte aksjekursene justeres etter dette. Dersom denne justeringen ikke foretas vil konsekvensene bli at de selskapsspesifikke egenskapene til de største selskapene bli lagt for stor vekt på i faktormodellen. De historiske vektene som publiseres av Oslo børs hver sjette måned er benyttet for å korrigere for verdivektingen på indeksen. I tillegg til dette kan faktorene også måtte transformeres for normalfordeling eller ekstremverdier. Mer om dette finnes i analysedelen Kontinuerlig forrentet avkastning (Logaritmisk avkastning) Logaritmer ble oppfunnet for å forenkle kompliserte kalkulasjoner, siden eksponentene kunne bli lagt til og trukket fra, som er enklere enn å multiplisere eller dividere de orginale tallene. Selv om denne fordelen har forsvunnet med datamaskinens innkomst, har logaritmisk avkastning fremdeles en viktig betydning innenfor analyse av store mengder data (Brooks, 2014). Omgjøring til logaritmisk avkastning er en metode som er benyttet i faktormodellen i denne oppgaven, for å utnytte fordelene dette gir. Figur 3.2 vises et plot av hvordan en logaritmisk funksjon beveger seg. 47

57 Figur 3.2: Plot av en logaritmisk funksjon Det finnes tre hovedårsaker til at logaritmisk avkastning er nyttig. For det første kan omgjøring til logaritmisk avkastning føre til at positiv skjevhet i distribusjonen blir trukket mot en mer normal distribusjon. Logaritmisk tilnærming gjør også at man kan omformere et ikke-lineært forhold mellom variabler til et lineært forhold. Til slutt kan logaritmer omforme data slik at variansen blir mer konstant, og dermed bidra til å dempe problemet med heteroskedasitet (Brooks, 2014). På denne måten kan man ved en enkel omgjøring av data bidra til å minimere tre ulike problemer med statisks regresjon. Omgjøringen til logaritmisk avkastning utrykkes på følgende måte: p t r i = ln ( ) (3.9) p t 1 Der r i = logaritmisk avkastning, p t = pris ved tidspunkt t, og ln = logaritmen. Kane og Meade (1998) fant at den nye modellen viste at man med fordel kan bruke relativ rangerte regnskapsrater for å få høyere forklaringsgrad. Dette løser noen av problemene med lav forklaringsgrad i for eksempel tre-faktormodellen til Fama og French (1993), og var et viktig bidrag for å bedre de forklarende variablene i en aksjeprisingsmodell. I stedet for å bruke u-transformerte, log-transformerte og kvadratrot transformerte ratioer, ble variablene rank-transformerte som førte til at variablene i den gitte tidsperioden får en uniform distribusjon. Ved å gjøre denne operasjonen viste Kane og Meade (1996) at modellene får bedre evner til å estimere forventet aksjeavkastning. 48

58 3.3.4 Risikofri rente Den risikofrie renten i markedet er et viktig element i en hver faktormodell. En risikofri rente kan defineres som den høyeste renten man kan få i et marked uten å påta seg noen som helst form for risiko (Bodie, et. al, 2014). Man kan dermed si at risikofri rente er den avkastningen en investor får dersom han eller henne ikke har eksponering mot risikofylte aktiva. Dersom faktormodellen som konstrueres ikke utnytter seg av arbritrasjehandel og på den måten skaper en risikofri avkastning, vil en eventuell forventet avkastning i modellen måtte overstige risikofri rente dersom den skal kunne oppnå en meravkastning. Faktormodellen som benyttes i denne oppgaven benytter historiske risikofrie renter hentet fra Norges bank til 9. desember 2013, og fra Oslo børs fra denne datoen og frem til I denne oppgaven er NIBOR (Norwegian Inter Bank Offered Rate) benyttet som risikofri rente. NIBOR er en fellesbetegnelse for alle norske pengemarkedsrenter, som igjen kan deles inn i ulike løpetider. I denne oppgaven er daglig. 1-måneds og 3-måneders NIBOR benyttes som risikofri rente, da observasjonene av aksjekursene er gjort med daglig hyppighet, og for eksempel momentum er gjort med månedlig hyppighet. Figur 3.3: Nominell ettårig 1-måneders NIBOR. Som figuren viser er rentenivået historisk lavt mot slutten av tidsperioden etter rentekuttene etter finanskrisen i

59 3.4 Portefølje-evaluering Det at en portefølje har en høy historisk avkastning, er ikke i seg selv et godt argument for å kunne si at det er en god portefølje. Avkastningen til porteføljen må ses i sammenheng med den underliggende risikoen. Det at en portefølje har hatt høy historisk avkastning i forhold til andre porteføljer vil i følge effisiensteorien være et resultat av økt risikoeksponering. Ved å ta i bruk standardiserte måleverktøy kan man evaluere hvor godt en portefølje presterer i forhold til teoretiske avkastningskrav og risikoeksponering (Chincarini & Kim, 2006). Med en slik metode kan vi på en mer strukturert måte sammenligne ulike porteføljers prestasjoner med hverandre, og se hvilke porteføljer som har en relativ høy eller lav avkastning. Figur 3.4: Tre porteføljer med ulik avkastning når risikoen økes. Figur 3.4 viser at det er en sammenheng mellom avkastning og risiko, og at de to bør veies opp mot hverandre. Dersom man ser på avkastningen isolert til portefølje 1, 2 og 3, vil man si at de har prestert henholdsvis best, middels og dårligst. Når man derimot trekker inn risikoeksponeringen til de tre porteføljene, ser man at det er størst usikkerhet hos de porteføljene man har hatt høyest risiko. Det er derfor behov for risikojustert avkastning for å kunne rangere porteføljene. I denne studien vil resultatene fra fler-faktormodellen bli presentert av desilporteføljer. Det vil derfor være behov for standardiserte prestasjonsmål for å kunne belyse hvordan porteføljene presterer. De ulike metodene som er blitt benyttet som prestasjonsmål vil nå bli 50

60 presentert. Felles for de ulike metodene for prestasjonsevaluering er at de justerer avkastningen for underliggende risiko Sharpe-raten Da William Sharpe (1964) var med på å utvikle kapitalverdimodellen, hadde han behov for et standardisert mål på risikojustert avkastning. Sharpe raten er et tall som måler porteføljens meravkastning per enhet av risiko. Sharpe-raten er gitt ved: S = E(r p) r f σ p (3.10) Der S = Sharpe-raten, E(r p ) = porteføljens forventede avkastning, r f = risikofri rente, σ p = standardavviket til meravkastningen. Desto høyere Sharpe-raten er, desto bedre har porteføljen prestert sammenlignet med de andre porteføljene på en risikojustert basis. Dersom man skal bruke et slikt mål på risikojustert avkastning, tar man en forutsetning om at det er en systematisk sammenheng mellom porteføljen og sharpe-raten Sortino-raten Et alternativ til Sharpe-raten er Sortino-raten, som differensierer mellom positiv og negativ volatilitet. For at ikke porteføljer ikke skal straffes for positiv volatilitet, slik som ofte kan oppstå ved å ta i bruk Sharpe-raten, blir kun den negative volatiliteten inkludert i beregningen. P = E(r p) r f σ NEG (3.11) Der P = Sortino-raten, E(r p ) = porteføljens forventede avkastning, r f = risikofri rente, σ NEG = standardavviket til de negative avkastningene til porteføljen. På denne måten vil porteføljen ikke bli straffet for å ha ha positive avkastninger i et risikojustert avkastningsmål. 51

61 3.4.3 Informasjons-raten For å måle avkastning til en portefølje mot et gitt referansenivå, kan man bruke informasjonsraten. Med denne metoden kan man ved å se på en porteføljes meravkastning i forhold til den relative volatiliteten (tracking error) som ligger bak, rangere ulike porteføljers avkastning risikojustert. Informasjons-raten er gitt ved følgende formel: IR = α B ω (3.12) Der IR = informasjons-raten, α B = den estimerte alfaverdien fra regresjonen av porteføljens meravkastning og referanseindeksens avkastning, ω = estimatet på residual standardavviket til regresjonen. Porteføljenes prestasjon blir på denne måten målt mot en referanseindeks, og porteføljens skalerende risiko blir tatt høyde for. En høy informasjons-rate er ønskelig, og porteføljene som måles rangeres etter denne verdien. Likevel kan også en høy informasjonsrate oppstå som en følge av høy beta-verdi for porteføljen i forhold til premien markedet krever (Bodie et. al, 2014)) Jensens alfa Som forklart i forbindelse med denne oppgavens belysning av kapitalverdimodellen, kan en aksjes alfa verdi beregnes ved å se på forskjellen mellom avkastningen som er forventet i verdipapirmarkedslinjen og den faktiske avkastningen til en aksje (Bodie, et. al, 2014). Dermed vil en positiv alfa verdi vise til en risikojustert meravkastning, som igjen betyr at dette er en metode som kan brukes for å evaluere en porteføljes prestasjon. Jensens alfa kan utrykkes med følgende formel: α = R [r f + β(r m r f ) (3.13) Der α = alfa verdien, R = porteføljens avkastning, r m = markedets avkastning, og r f = risikofri rente. 52

62 4. Fler-faktormodellen I dette kapittelet vil modellen som er tatt i bruk for å kunne belyse oppgavens problemstilling bli presentert. Modellen vil forklare avkastningen på Oslo børs med fire ulike forklarende variabler valgt ut i fra det teoretiske rammeverket i oppgaven. Hensikten med modellen vil være å undersøke hvilke egenskaper som er viktig for at selskaper på Oslo børs skal få en relativ høy eller lav avkastning i fremtiden, og måle hvor godt de faktorene som inngår i modellen kan forklare den historiske avkastningen på OSEBX. Dersom modellen kan vise til at det finnes en statistisk signifikant sammenheng mellom faktorene og avkastningen på Oslo børs, kan modellen i praksis brukes til å skape en meravkastning uten å påta seg mer usystematisk risiko gitt enkelte forutsetninger som er gjennomgått i denne oppgavens metodekapittel. Datamateriale som er brukt for å estimere koeffisientene i oppgaven består av store mengder kvantitative tallmateriale fra historiske priser og regnskapstall hos selskaper notert på Oslo børs. Tallene er korrigert for emisjoner, oppkjøp, fusjoner, dividende, endring av antall aksjer, avlistninger og nye noteringer som ble gjennomgått i kapittelet om datainnsamling. For å analysere modellen vil multippel regresjon bli benyttet som metode for å kunne evaluere hvor godt modellen kan forklare avkastningen på Oslo børs. 4.1 Valg av faktorer Det første steget mot å lage en god kvantitativ aksjeprisingsmodell, er å velge de ulike faktorene som ser ut til å påvirke aksjeavkastning (Chincarini & Kim, 2006). Litteraturstudiet og det teoretiske rammeverket vil danne grunnlaget for vurderingen av de ulike faktorene som inngår i denne masteroppgavens fler-faktormodell. Ettersom oppgavens problemstilling er av en selkapsspesifikk karakter vil ikke elementer som for eksempel oljepris, inflasjon, valutakurser eller industriproduksjon bli vurdert som faktorer. Dette for å kunne besvare hvilke egenskaper hos enkeltaksjer som systematisk gjør at aksjer på Oslo børs har relativ høy eller lav avkastning. Teoridelen av denne oppgaven belyste at det eksisterer en rekke ulike faktorer som kan brukes i fler-faktor modeller. Teorien er ikke like samstemt om hvilke faktorer som er de beste, men enkelte faktorer blir ofte benyttet med god forklaringsgrad i ulike modeller. I vurderingen til hvilke faktorer som skal inngå i denne oppgavens fler-faktormodell er det tatt høyde for hvilke faktorer som tidligere studier har vist har en god forklaringsgrad, i tillegg til faktorer som kan være med på å inkludere noen av anomaliene fra atferdsfinansen. 53

63 I det teoretiske rammeverket ble det også belyst at anomalier ofte forsvinner eller endres når de oppdages. Dette er tatt høyde for i valget av faktorer og modellen tar derfor sikte på å inkludere moderne faktorer, sammen med klassiske faktorer som har vist seg å ha en høy forklaringsgrad over tid. Formålet med dette er å skape en modell som inkluderer aktuelle anomalier, og som vil kunne fortsette å gjøre dette over tid. Dersom man lykkes med å skape en slik modell, kan dette brukes til å utvikle en investeringsstrategi for fremtiden som er direkte rettet mot det norske aksjemarkedet. De faktorene som inngår i modellen vil nå bli presentert Markedsfaktor Den faktoren som er mest brukt i det akademiske miljøet for å kunne forklare aksjeavkasting er markedsfaktoren (Chincarini & Kim, 2006). Faktoren er mest kjent fra Harry Markowitz (1952) sitt arbeid, men har vært sentral i finansverden i mange år også før den ble inkludert i kapitalverdimodellen. Markedsfaktoren blir inkludert i faktormodellen ettersom den har vist seg å kunne forklare aksjeavkastning på et stabilt nivå over lengre tid. Dette gjenspeiles i bruken av faktoren i det akademiske miljøet, hvor faktoren har vært flittig brukt fra de klassiske modellene, til mer moderne som for eksempel q-faktormodellen til Hou et. al (2014). Ettersom OSEBX er hovedindeksen for Oslo børs, må man se utenfor Norge for å finne en markedsportefølje som kan brukes til å beregne den forventede avkastningen til markedsporteføljen. Dette må gjøres for å tilfredsstille forutsetningen i regresjonsanalyse, når dette brukes som metode. S&P 500 indeksen er derfor benyttet for å beregne denne faktoren, da S&P 500 er en meget bred indeks som representerer verdens aksjemarkeder godt. Selv om Oslo børs er mer avhengig av oljeprisen og energimarkedet enn S&P 500, kan man likevel trekke flere likhetstegn mellom de to indeksene. Markedsfaktoren er med i modellen ettersom Oslo børs i seg selv ikke er utelukket fra makroøkonomien ellers i verden. Utviklingen spesielt i vesten er viktig for utviklingen på Oslo børs. Markedsfaktoren beregnes ved å subtrahere den risikofrie renten (R f ) fra den forventede avkastningen til en markedsportefølje E(R M ) på følgende måte: E(R M ) R f (4.1) 54

64 4.1.2 Størrelsesfaktor En annen faktor som tidligere har vist å kunne forklare aksjeavkastning godt, er størrelsen på det fundamentale aksjeselskapet bak selve verdipapiret. Selve størrelsen på de ulike aksjene er en av de enkleste og mest fundamentale forskjellen på selskaper, og det er derfor naturlig at ulik størrelse vil kunne påvirke hvordan aksjekursene vil bevege seg. Størrelsen på selskapet kan sammenlignes med ulike multipler, men markedsverdien (antall utestående aksjer multiplisert med sist omsatt aksjekurs) er den mest vanlige (Chincarini & Kim, 2006). Man kan argumentere for at store selskaper kan få en lav markedsverdi på grunn av liten tillit i markedet, mens relativt små selskaper kan få en høy markedsverdi på grunn av høy tillit. Med effisiensteorien i bakhold kan man likevel argumentere for at dette er bakt inn i faktoren, og at dette vil føre til at markedsverdien likevel vil være en god variabel for størrelsesfaktoren. En størrelsesfaktor er en fundamental verdifaktor. En fundamental faktor beskriver selskapets finansielle tilstand, mens en fundamental verdifaktor er en faktor som isolert sett måler om et selskap er relativt dyrt eller billig i forhold til andre (Chincarini & Kim, 2006). Størrelsen på selskapet kan ikke i seg selv brukes til relativ prising, men vil kunne normaliseres ved for eksempel å dele markedsverdien på resultat eller bokført verdi. Fama og French (1993) inkluderte størrelsesfaktoren SMB i sin kjente tre-faktormodell. De viste at dersom man tok avkastningen til en portefølje med små selskaper og trakk fra avkastningen til en portefølje med store selskaper, ville de små selskapene tendere mot å ha en høyere aksjeavkastning over tid. Som tilhengere av effisiensteorien argumenterer Fama og French at dette kommer av at investorer krever en høyere avkastning for de små selskapene på grunn av høyere risiko. Man kan også argumentere for at det finnes en informasjonspremie for små selskaper, da de store selskapene ofte får bedre dekning av meglerhusene i Norge. Mange meglerhus har ikke en gang tatt opp dekning på mange av de mindre selskapene som er notert på OSEBX. En naturlig konsekvens av dette vil også være at de store selskapene oftere blir omtalt i media, noe som nevnt tidligere i følge Bareber et, al. (2008) kan føre til økt eksponering hos de store selskapene. Med bakgrunn i dette vil det derfor være naturlig å inkludere en størrelsesfaktor i modellen, og valget faller på forskjellen i avkastning mellom en portefølje med små selskaper minus en portefølje med store selskaper. Størrelsesfaktor = SMB = R SMÅ R STORE (4.2) 55

65 4.1.3 Lønnsomhetsfaktor For å kunne inkludere lønnsomheten til de ulike selskapene, vil forskjellen i avkastning mellom en portefølje med positiv endring i avkastningen på egenkapitalen og en portefølje med negativ endring i avkastning på egenkapitalen være en av faktorene i modellen. Å skape avkastning på eiernes innskutte egenkapital er en av de mest sentrale oppgavene til en bedrift, og investorenes vektlegging av dette bør ikke undervurderes. Avkastningen på egenkapitalen er en faktor som bygger videre på Hou et. al (2014) sin q- faktormodell, der investeringsbehov var en av faktorene som kan forklare aksjeavkastning. Lønnsomheten på egenkapitalen og investeringsbehovet i et selskap har en naturlig sammenheng, da en negativ endring i egenkapitalavkastningen vil kunne føre til økt investeringsbehov. En økning i investeringsbehovet vil igjen kunne føre til for eksempel økt fare for emisjoner. Årsaken til at Tobins-Q ikke er benyttet som variabel kommer av at dette forutsetter at gjenanskaffelseskosten er riktig beregnet. Det er selvsagt svært komplisert å beregne gjenanskaffelseskostnaden for selskaper på Oslo børs, og en slik faktor ville derfor ha vært svært sensitiv mot observatørens antagelser. En positiv endring kontra en negativ endring på avkastningen bygger også videre på elementer fra atferdsfinansen. Jegadeesh et, al. (1993) viste at vinneraksjer tenderer mot å gjøre det bedre enn taperaksjer også i fremtiden. Selv om studiet til Jegadeesh et, al. (1993) baserte seg på aksjekurser, og ikke fundamentale underliggende lønnsomhetsfaktorer vil det være interessant å undersøke om også dette kan brukes til å forklare aksjeavkastning. Avkastning på egenkapitalen er en fundamental driftlønnsomhets-faktor, og vil bli inkludert i modellen på følgende måte, med som notasjon for endring og ROE (Return on Equity) som notasjon for avkastning på egenkapital: Lønnsomhetsfaktor = PMN = R POSITIV ROE R NEGATIV ROE (4.3) 56

66 4.1.4 Momentumsfaktor Som teknisk faktor vil momentum være den siste faktoren som inkluderes i flerfaktormodellen. En av fordelene med å inkludere en teknisk faktor i en faktormodell er at de til en hver tid oppdaterer seg selv (Chincarini & Kim, 2006). Dette medfører at de egner seg godt som stabil faktor over tid, samtidig som tekniske faktorer er mer dynamisk enn de fundamentale faktorene som man kun kan oppdatere ved fremleggelsen av kvartalstallene. Som nevnt tidligere kan man argumentere for at momentum kan erstatte verdi-faktoren i trefaktormodellen til Fama og French (1993). Israel og Moskowitz (2013) viste at en momentumfaktor er tilstede og stabil i alle desilporteføljene til Fama og French, og ikke bare de 40% største selskapene slik som HML faktoren. Momentum hadde i tillegg et signifikant positivt forhold til gjennomsnittlig avkastning gjennom alle 20-års delperioder. Hovedargumentet for at momentum bør inkluderes i en faktormodell er at investorer har en systematisk irrasjonell atferd som kan oppdages på forhånd ved hjelp av momentum. Dette baserer seg på elementer fra atferdsfinansen. Noen mener også at det er mulig å beskrive momentum som en kombinasjon av både rasjonelle og irrasjonelle faktorer (Antonacci, 2014), da momentum også kan forklares med at momentumsgevinst skyldes kompensasjonen investorene får ved å ta på seg større risiko. Momentum inkluderes i faktormodellen etter teorien om at aksjer som har hatt positiv utvikling den siste måneden vil tendere i samme retning. Dette blir gjort som et bindeledd mellom den klassiske effisiensteorien, og moderne atferdsteori. Momentumanomalien har også vist seg å være den eneste anomalien som ikke forsvant da den ble oppdaget (Antonacci, 2014). Selve momentumet vil på grunn av hyppige utskiftninger på OSEBX indeksen være beregnet ut i fra månedlige kurser (årlig momentum gjør at antall observasjoner blir for lav). Faktoren blir beregnet på følgende måte: Momentumsfaktor = MMN = R MENTUMPOSITIV R MOMENTUMNEGATIV (4.4) Der R MENTUMPOSITIV = avkastningen til en portefølje med positivt månedlig momentum, og R MOMENTUMNEGATIV = avkastningen til en portefølje med negativt månedlig momentum. 57

67 4.2 Fire-faktormodell Etter å ha valgt ut de ulike faktorene i modellen, kan fire-faktorsmodellen nå utrykkes på følgende måte på regresjonsform: r OSEBX R f = α + β 1 (rm Rf) + s 2 (SMB) + p 3 (PMN) + m 4 (MMN) + ε i (4.5) Der r OSEBX = avkastningen på OSEBX-indeksen, R f = den risikofrie renten, = konstantleddet til regresjonen, SMB = konstantleddet til størrelsesfaktoren, PMN = koeffisienten til lønnsomhetsfaktoren, MMN = koeffisienten til momentumsfaktoren, og ε i = feilleddet i regresjonen. β 1, s 2, p 3, m 4 er stigningsverdiene for henholdsvis markedsfaktoren, størrelsesfaktoren, lønnsomhetsfaktoren og momentumsfaktoren. Modellen inkluderer dermed en markedsfaktor, som er den mest klassiske av faktorene. Denne faktoren er kjent fra kapitalverdimodellen, og er sentral i de fleste nye faktormodeller som sikter mot å forklare en aksje eller indeks sin avkastning. Modellen inkluderer også en størrelsesfaktor, som etter tre-faktormodellen til Fama og French (1993) har vært en gjenganger i de mest kjente modellene. Størrelsesfaktoren dekker anomalien om at de små selskapene tenderer til å ha en høyere avkastning enn store, noe tilhengere av markedseffisiensteorien vil argumentere er resultat av en økt risikopremie. Modellen inkluderer også en lønnsomhetsfaktor, som med å ta i bruk endring i avkastningen på egenkapitalen hos enkeltselskapene tar sikte på å inkludere investeringsbehov samt fundamental momentum fra atferdsfinans. Til slutt inkluderer modellen en momentumsfaktor som tar sikte på å inkludere elementer fra atferdsfinans ved å se hvordan en portefølje med aksjer som har hatt høy aksjeavkastning gjør det sammenlignet med en portefølje med aksjer som har hatt negativt momentum. Som en oppsummering av modellen kan vi si at modellen inkluderer en markedsfaktor, en fundamental verdifaktor, en fundamental drifts-lønnsomhetsfaktor, og en teknisk faktor. Disse faktorene er representert ved henholdsvis S&P 500 fratrukket risikofri rente, størrelse, endring i avkastning på egenkapitalen, og momentum. 58

68 5. Resultater og analyse I denne delen av oppgaven vil de empiriske resultatene for fire-faktormodellen bli presentert. Innledningsvis vil deskriptiv statistikk for de ulike faktorene bli beregnet. Videre vil den samme statistikken beregnes etter at ekstremverdiene er ekskludert, for å kunne belyse endringene. Faktorene ekskludert for ekstremverdiene vil være grunnlaget for regresjonsanalysen av fire-faktormodellen, som også vil bli presentert i denne delen av masteroppgaven. Videre vil analysen testes for de ulike forutsetningene under regresjonsanalyse for å teste firefaktormodellens validitet og reliabilitet. Modellen vil også testes tilbake i tid med månedlige historiske regresjoner for å kunne belyse OSEBX-indeksens påvirking på modellen. For å kunne belyse fire-faktormodellens prestasjonsevne vil dette testes med ulike prestasjonsmål og ved desilporteføljer. 5.1 Deskriptiv statistikkanalyse For lettere å kunne identifisere ekstremverdier for de ulike faktorene, og for å kunne bygge videre på enkel statistikk, er det gjennomført en deskriptiv statistikkanalyse av datamaterialet. Alle de fire faktorene inkluderes i analysen med daglige observasjoner, i tillegg til meravkastningen til OSEBX indeksen. I denne enkle analysen beregnes gjennomsnittsverdi, standard avvik, minimum og maksimumsverdi. Tallmaterialet som analysen bygger på er daglige observasjoner av de ulike faktorenes avkastning. Tabell 5.1: Deskriptiv statistikk med gjennomsnitt, standardavvik, minimums og maksimumsverdier for alle faktorene i modellen. Gjennomsnittet for faktorene er positiv for OSEBX fratrukket risikofri rente (0,02 %), markedsfaktoren (0,02 %), og lønnsomhetsfaktoren (0,14 %). Størrelsesfaktoren (-0,13 %) og momentumsfaktoren (-0,04 %) er begge negative. Det er verdt å merke seg at OSEBX og markedsfaktoren er like, noe som er et godt tegn for at referanseindeksen som er valgt kan være et godt sammenligningsgrunnlag dersom andre forutsetninger også er tilstede. 59

69 Som tabell 5.1 viser er standardavviket høyest for SMB faktoren (1,53 %), med PMN (1,36 %) som nest høyest av de forklarende faktorene. Det minste standardavviket finner vi i momentumsfaktoren MMN (1,10 %), med markedsfaktoren Rm-Rf (1,24 %) som nest minst. Standardavviket vil gi en pekepinn på hvor stor variasjon det er i datamaterialet, noe som påvirker hvordan analysen av tallene bør gjennomføres (Brooks, 2014). Som tallene viser er det noe høyere standardavvik for OSEBX enn for markedsfaktoren, som kan tyde på at den norske indeksen er noe mer volatil enn S&P 500. Minimumsverdien for de ulike faktorene ble alle satt under finanskrisen sensommeren 2008, og ligger mellom 9,49 % (markedsfaktoren) og 15,20 % (lønnsomhetsfaktoren), mens maksimumsverdien strekker seg fra 10,12 % (OSEBX-Rf) til 11,01 % (Lønnsomhetsfaktoren). For å belyse forskjellene mellom maksimumsvariabelen og minimumsvariabelen er dette beregnet i tabell 5.2. Tabell 5.2: Forksjellen mellom maksimum og minimumsverdier Igjen er meravkastningen til OSEBX og markedsfaktoren relativt like, samtidig som de er de variablene med minst forskjell. Lønnsomhetsfaktoren har den største forskjellen (26,21 %) med momentumsfaktoren like bak (24,98 %). Dette er relativt store forskjeller for daglige observasjoner, men årsaken til de store differansene kommer av at finansielle kriser og aksjerally som følge av dette har ført til volatile enkeltperioder i analyseperioden. I seg selv er ikke standardavviket veldig høyt for noen av faktorene i sammenheng med situasjonen, men den store spredningen mellom maksimumsverdien og minimumsverdien åpner for å undersøke ekstremverdier. Videre indikatorer på dette kan vi belyse ved å beregne skjevheten og kurtosen for de ulike faktorene. Tabell 5.3: Skjevhet og kurtose for alle de ulike faktorene. Som tabell 5.3 viser, er det spesielt en faktor som skiller seg ut i forhold til fordelingen. Momentumsfaktoren MMN har en klar negativ skjevhet (-1,331), og en høy kurtose (16,9), 60

70 noe som er høyt i forhold til de andre faktorene. Det er derfor sannsynlig at det finnes ekstremverdier i datamaterialet, noe som er naturlig når vi vet at det har vært flere finansielle kriser i perioden. Det at momentumsfaktoren har en klar negativ skjevhet kan også være et tidlig tegn på at disse aksjene faller ekstra mye i perioder med finansielle kriser slik som Fama og French (2008) forklarte momentums anomalien på. Ekstremverdier i momentumsfaktoren kan også være et resultat av short-salg av aksjer, som i ettertid får en form for subsidie for å unngå konkurs. Dette vil ha stor innvirkkning på avkastningen til porteføljen, noe som ble observert i USA under den nylige finanskrisen. Momentumporteføljer var lastet med bank-aksjer, som var forventet å tape seg i verdi, men som, på grunn av statlige subsidier, opplevde en positiv trend. Denne type risiko vil ikke bli nærmere diskutert i studien. 5.2 Ekstremverdier Den store spredningen mellom minimum og maksimumsobservasjonen, samt skjevheten i datamaterialet gjør at det er et behov for å identifisere ekstremverdier. Ekstremverdier oppstår dersom enkelte observasjoner er enten svært høye eller svært lave sammenlignet med populasjonen (Tsay, 2002). Slike ekstreme verdier kan påvirke datamateriale på en måte som skaper problemer med for eksempel linearitet eller normalitet. Det er derfor viktig at ekstremverdier blir identifisert og transformert eller fjernet. Problemet med ekstremverdier kan føre til at forutsetningene i OLS regresjonen ikke lenger blir oppfylt, noe som vil føre til at resultater og analysen blir misvisende. Ved å ekskludere ekstremverdiene fra datasettet vil validiteten til resultatet økes, samtidig som forklaringskraften ofte økes (Tsay, 2002). Dersom man eliminerer eller transformerer ekstremverdiene vil man også forvente et lavere standardavvik og et mer realistiske gjennomsnitt. For å eliminere de ekstreme observasjonene er det tatt i bruk en statistisk metode som ved å beregne differansen mellom tredje (Q3) og første kvartil (Q1) får nedre og øvre grenser for observasjonene på følgende måte: 61

71 Interkvartil variasjonsbredde = Q3 Q1 (5.1) NG = Q1 (Differanse 2,2) ØG = Q3 (Differanse 2,2) Der NG = Nedre grense og ØG = øvre grense. I følge Brooks (2014) er 2,2 en faktor som ofte brukes i denne sammenhengen, og vil ofte identifisere en representativ del av ekstremverdiene. Faktoren på 2,2 tas i bruk etter å ha vurdert datautvalget og mengden av ekstremobservasjoner. En overdreven vurdering av ekstremverdier kan føre til at observasjoner som ikke er ekstremverdier likevel blir eliminert fra datasettet. Dette kan skape en situasjon der relevant informasjon blir utelatt fra analysen, som igjen vil føre til misvisende resultater. For å kontrollere fjerningen av ekstremverdiene kan vi se på den deskriptive statistikken etter operasjonen er gjort: Tabell 5.4: Deskriptiv statistikk for alle faktorene etter ekskludering av ekstremobservasjoner. Som vi ser av tabell 5.4 har fjerningen av ekstremverdiene hatt en positiv effekt på de ulike faktorene. Gjennomsnittsverdien har økt for samtlige variabler, med størst effekt på SMB (fra - 0,13 % til - 0,00114 %). Dette vil være naturlig da vi vet at de små selskapene falt veldig mye under finanskrisen i for eksempel En kontroll av hvilke datoer som er fjernet viser også at mange kommer fra sensommeren og høsten Dersom vi ser på minimum og maksimumsverdiene ser vi at disse er resudert betydelig for alle faktorene. Fra minimumsverdier rundt -10 % (Rm-Rf til 15 % (PMN) har de nå gått fra 3,98 % (Rm-Rf) til -5,17 % (SMB). Dett er verdier som er mer realistiske, da det for eksempel fremdeles er sjeldent OSEBX faller mer enn 4,7 % på en dag. Maksimumsverdiene 62

72 har gått fra å ligge rundt 10,5 % til nå å ligge mellom 3,17 % (MMN) til 4,9 % (SMB), noe som virker realistisk. Standardavviket har også blitt redusert for samtlige faktorer. Dette er en ønskelig effekt for fjerning av ekstremverdier, så lenge relevante observasjoner ikke reduseres (Tsay, 2002). Som tabell 5.4 viser, er mellom 41 (PMN) og 69 (SMB) observasjoner tapt. Dette utgjør mellom 0,86 % (PMN) og 1,44 % (SMB) av den totale populasjonen. Dette er et realistisk tall på ekstremverdier, og vi har likevel et stort antall observasjoner (mellom 4724 og 4752 observasjoner) å analysere. Vi kan videre se på hvordan skjevheten og kurtosen har blitt påvirket av elimineringen av ekstremobservasjoner: Tabell 5.5: Skjevhet og kurtose for alle faktorene etter ekskludering av ekstremobservasjoner. Som vi ser av tabell 5.5 har både skjevheten og kurtosen blitt mer normalisert som følge av elimineringen av ekstremverdiene. Momentumsfaktoren (MMN) har nå en skjevhet på 0,186 noe som er en stor forbedring fra tallene vi hadde før operasjonen (-1,331). Tabell 5.5 viser også at kurtosen er blitt betydelig bedre, selv om det finnes noe gjenværende kurtose. Vi kan nå likevel gå videre til regresjonsanalysen da det ikke er for høye verdier satt i sammenheng med standardavviket til de ulike faktorene. 63

73 5.3 Regresjonsanalysen I denne delen av oppgaven vil resultatene av regresjonsanalysen for fire-faktormodellen bli presentert. Regresjonen er utført i analyseprogrammet R, og resultatene presenteres med tabeller og grafer hentet fra programvaren, sammen med egenkomponerte tabeller og grafer. I tillegg til R har SPSS og MatLab blitt tatt i bruk motivert av forenkling av prosesser. Datasettene har blitt analysert etter OLS-metoden, med følgende fire-faktormodell nærmere beskrevet tidligere i denne oppgaven: r OSEBX R f = α + β 1 (rm Rf) + s 2 (SMB) + p 3 (PMN) + m 4 (MMN) + ε i (5.2) Dette resulterer i følgende sammendrag: Sammendrag av fire-faktormodellen b Modell R R Square Justert R Square Std. Error til estimatet 1,907 a,822,822 0,610999% a. Forklarende variabler: (Constant), MMN, Rm-Rf, PMN, SMB Koeffisienter Fire-faktormodell Ustandardiserte koeffisienter Standardisert koeffisienter B Std. Error Beta t-verdier Sig. (Konstant),075,009 8,388,000 Rm-Rf,110,008,094 14,168,000 SMB,714,006, ,226,000 PMN,264,007,249 37,988,000 MMN,017,008,013 2,102,036 a. Forklart variabel: OSEBX-RF Tabell 5.6: Sammendrag og koeffisienter fra regresjonsanalysen. Som vi kan se fra tabell 5.6 har modellen en R 2 = 0,822. Man kan si at 82,2 % av variabiliteten på OSEBX kan forklares med variabiliteten til faktorene. Dette vitner i følge Tsay (2002) om at de fire faktorene i modellen sammen forklarer aksjeavkastningen på OSEBX indeksen meget godt. Forklaringsgraden er noe lavere enn verdiene til for eksempel tre-faktormodellen til Fama og French (1993) som sjeldent ble observert under 0,9 avhengig av hvilke forutsetninger de tok. Likevel er gitt de forutsetningene tilstede grunn til å si seg fornøyd med denne ene verdien, ettersom tidshorisont og antall selskaper har mye å si for 64

74 resultatet. Når justert R 2 er lik R 2, vil dette dette være et tegn på at modellen ikke har inkludert noen unødvendige faktorer (Tsay, 2002). Dette er i så måte også et godt tegn for at faktorene i modellen kan forklare aksjeavkastningen på Oslo børs, dersom nok en gang andre forutsetninger er tilstede, som for eksempel koeffisientene og tilhørende signifikans. Koeffisientene er kanskje de mest interessante verdiene når det kommer til finansiell regresjonsanalyse, dersom man kan påvise at de er signifikante (Brooks, 2014). Koeffisientene vil gi svar på om faktorene har en positiv eller negativ (eller ingen) effekt på den avhengige variabelen, noe som vil være interessant for denne oppgaven da det kan gi svar på om for eksempel små selskaper tenderer til å få en høyere avkastning enn store. Koeffisientene fra regresjonsanalysen er listet opp i tabell 5.6. Tabell 5.6 viser også at alle de fire faktorene har en positiv koeffisient, med størst verdi for størrelsesfaktoren SMB (0,714), fulgt av lønnsomhetsfaktoren PMN (0,264), markedsfaktoren Rm-Rf (0,110) og til slutt momentumsfaktoren MMN (0,017). Dette viser isolert sett at størrelsen på selskapene har størst betydning for avkastning, noe vi kjenner igjen fra trefaktormodellen til Fama og French (1993). De ustandardiserte koeffisientene må ses i sammenheng med tilhørende standardfeil (Std. Error). Som tabell 5.6 viser, varierer denne mellom 0,006 % (SMB) til 0,008 % (Rm-Rf og MMN), og 0,009 % for konstansverdien. Ingen av disse verdiene er spesielt høye sett i sammenheng, og de standardiserte koeffisientene får ikke veldig store utslag noe som kan sies å øke validiteten til konstantleddene. For å kunne undersøke hvorvidt faktorenes effekt er signifikant, eller om det bare er et resultat av tilfeldigheter kan vi se på Sig-verdiene til de ulike faktorene. Disse verdiene viser resultatene av t-testen som er gjennomført i regresjonsanalysen. Verdiene viser at markedsfaktoren, størrelsesfaktoren og lønnsomhetsfaktoren er signifikante ved et konfidensintervall på 99 prosent, mens momentumsfaktoren kun er signifikant dersom man setter konfidensintervall under 96,4. I følge Tsay (2002) kan man på generelt grunnlag si at dersom nærmer seg 0,05 er det en svak men tilstedeværende sammenheng mellom den avhengige og den uavhengige variabelen. Ved sammenligning av resultatene for regresjonsanalysen inkludert ekstremverdiene, kan man se at forklaringskraften har økt fra 0,79 til 0,

75 5.3.1 Test av regresjonens forutsetninger Som tidligere nevnt i metodekapittelet, er tilstedeværelsen av enkelte forutsetninger nødvendig for å kunne validere regresjonen og for å få et så korrekt og virkelighetsnært resultat som mulig. Det finnes ulike tester og metoder som kan benyttes for å undersøke om disse forutsetningene er tilstede under regresjonen. Dersom testene viser at det er brudd på de ulike forutsetningene, kan resultatet fra regresjonsanalysen være misvisende og feil. Testene for regresjonens forutsetninger er gjort i MatLab, og tar utgangspunkt i datamaterialet hvor ekstremverdiene er ekskludert Test av linearitet En av forutsetningene for regresjonene er som nevnt tidligere at forholdet mellom den avhengige variabelen og de uavhengige variablene er av lineær karakter. Dersom denne forutsetningen brytes vil resultatene bli misvisende da man i praksis har forsøkt å trekke en rett linje gjennom en kurvet plot av observasjoner. For å undersøke om datamaterialet man har er av lineær karakter kan man fremstille dette i et spredningsplot, og se etter grafiske forhold. For å teste regresjonsmateriale for linearitet har alle faktorene blitt plottet mot hverandre for å skape et helhetlig bilde av situasjonen. 66

76 Figur 5.1: Spredningsdiagram-matrise av faktorene i fire-faktormodellen for å teste for linearitet. I figur 5.1 ser vi spredningsdiagrammene for alle de ulike faktorene i fire-faktormodellen, samt den avhengige variabelen OSEBX-RF. Dersom man ser klare tegn på kurver eller buer, som for eksempel regnbueformede plots vil det være tegn på mangel på linearitet. Dersom man ser rette sammenhenger er det et tegn på at man har et lineært datamateriale (Tsay, 2002). I utgangspunktet er diagrammene helt til venstre i matrisen de viktigste, da disse viser sammenhengene mellom den avhengige variabelen og de uavhengige variablene. Som figur 5.1 viser ser det ut som at den sterkeste lineære sammenhengen finnes mellom SMB og OSEBX-RF. Disse to variablene ser ut til å ha et sterkt positivt lineært forhold, noe som bekreftes av faktorens koeffisient og signifikans. Markedsfaktoren (Rm-Rf) og lønnsomhetsfaktoren (PMN) ser ut til å ha et litt svakere, men likevel lineært og positivt forhold til OSEBX-RF. 67

77 Når det gjelder momentumsfaktoren (MMN) ser man ingen klare sammenhenger, men heller ingen tegn til kurver eller buer. Det er likevel nok til å undersøke nærmere med et mer detaljert spredningsdiagram for MMN og OSEBX-RF i figur 5.2. Figur 5.2: Spredningsdiagram for momentumsfaktoren (MMN) og OSEBX-RF. I figur 5.2 er det trukket en sort linje som er den best mulige lineære linjen i henhold til forutsetningene for OLS-regresjon. Det finnes ingen åpenbar grafisk sammenheng, bortsett fra den naturlige effekten av at det er større samling av observasjoner mot origo. Likevel avslører den sorte linjen som representerer best mulig tilpasning at det finnes en svak positiv sammenheng mellom momentums faktoren og den avhengige variabelen i tidsperioden. Dette stemmer godt med faktorkoeffisienten og signifikansen for MMN på 0,036. Med bakgrunn i spredningsdiagrammene for de uavhengige variablene kan det virke som om det er ulik grad av linearitet for de ulike faktorene, men ingen klare brudd i form av kurver eller buer. De grafiske observasjonene samsvarer også godt med verdiene fra regresjonsanalysen, noe som gjør at forutsetningen for linearitet er tilstede. 68

78 Test av normalitet Regresjonen forutsetter i tillegg at residualene i utvalget er normalfordelt. Dersom denne forutsetningen brytes vil koeffisientene ofte gi et galt forholdstall mellom den avhengige og de uavhengige variablene (Tsay, 2002). Elimineringen av ekstremverdiene bør være med på å skape en bedre normalfordeling, men fravær eller få store residualer kan også skape brudd på normalfordelingsforutsetningen. For å avgjøre om variablene er normalfordelt kan man enten beregne om det finnes signifikante bevis for normalitet, eller man kan vurdere grafiske histogram for å undersøke om det finnes tilnærmet normalitet. I regresjon av finansielle data er det ofte vanskelig å påvise signifikant normalfordeling, men en grafisk tilnærmet normalfordeling er ofte tilstrekkelig så lenge det er best mulig tilpasning (Tsay, 2002). For å kunne gjøre en vurdering vil dette vises grafisk i denne analysen. Figur 5.3: Histogram av OSEBX-RF og markedsfaktoren (Rm-Rf) viser tilnærmet normalfordeling. Som figur 5.3 viser, er både OSEBE-RF og Rm-Rf tilnærmet normalfordelt, med noe mindre grad hos Rm-Rf grunnet enkelte høye verdier. Likevel forutsettes det at disse variablene er tilnærmet normalfordelt, og at forutsetningen derfor ikke er brutt. 69

79 Figur 5.4: Histogram av størrelsfaktoren (SMB), lønnsomhetsfaktoen (PMN) og momentumsfaktoren (MMN) viser tilnærmet normalfordeling. Når det gjelder SMB, PMN og MMN faktorene viser figur 5.4 at også disse variablene er tilnærmet normalfordelt. Det er også verdt å merke seg fra histogrammene at minimum og maksimumsverdiene før elimineringen av ekstremverdiene lå mellom -10 % og 15 % for de ulike faktorene. Dersom disse hadde vært inkludert i histogrammene vært svært spisse, og mindre normalfordelt. En illustrasjon på dette finnes i vedlegg 7.2, for å understreke at elimineringen av disse var riktig for å få en bedre regresjonsanalyse. 70

80 Test av homoskedastisitet Sannsynligheten for at feilleddet i regresjonen når en gitt positiv eller negativ verdi bør være den samme i alle observasjoner dersom forutsetningen om at homoskedastisitet skal være tilstede. Heteroskedastisitet vil ofte være et problem dersom verdiene til variablene i utvalget varierer vesentlig i forskjellige observasjoner (Dougherty, 2011). Dersom det for eksempel er større spredning i residualene når observasjonene har høye verdier enn lave, vil dette være et typisk tegn på heteroskedastisitet. Klare signaler på heteroskedastisitet vil derfor kunne være synlig i et spredningsdiagram med standardiserte resudualer og forventede verdier. Figur 5.5: Spredningsdiagram med standardiserte resudualer og forventede verdier for å oppdage tegn på hetroskedastisitet. Som figur 5.5 viser, er det ingen klare tegn til heteroskedastisitet, ettersom spredningsdiagrammet ikke gir noen åpenbare assosiasjoner til mønstre. Likevel kan det se ut som det er en liten tendens til at enkelte høye verdier av de standardiserte residualene ofte observeres når de forventede verdiene er mindre enn null. Når de forventede verdiene i regresjonen er høye er det samtidig en liten tendens for at de standardiserte resudualene er lave. Spredningsdiagrammet i seg selv gir ingen klare tegn til heteroskedastisitet, men det er likevel nok til å undersøke videre. 71

81 For å kunne synliggjøre om det er tegn til større spredning hos redisualene ved høyere forventede verdier av regresjonen kan man fremstille de forventede verdiene til regresjonen kvadrert (PRE_12) mot de ustandardiserte forventede verdiene. Dette er blitt gjort i figur 5.6: Figur 5.6: De forventede verdiene til regresjonen kvadrert (PRE_12) mot de ustandardiserte forventede verdiene for å oppdage tegn til hetroskedastisitet. Dersom det ser ut til å være et mønster der de kvadrerte forventede verdiene sprer seg når veridene økes, er det ofte et tegn på heteroskedastisitet. Det er også et tegn på heteroskedastititet dersom det finnes mange store verdier av kvadrerte forventningsverdier (Dougherty, 2011). Som spredningsdiagrammet viser er det stor samling av små kvadrerte forventningsverdier, men enkelte større verdier. Når vi vet at det finnes i underkant av 5000 observasjoner, men bare ser et titalls fravikende observasjoner i spredningsdiagrammet ser dette i utgangpunktet bra ut med tanke på at det er ønskelig med homoskedastisitet. Likevel finnes det nok fravikende observasjoner til at en statistisk test kan være nyttig. 72

82 White testen for heteroskedastisistet ser etter generelle bevis for en sammenheng mellom variansen til feilleddet og de forklarende variablene (Dougherty, 2011). Ved å analysere forholdet mellom variansene kan man beregne en statistisk sannsynlighet for at det er et homoskedastisk forhold. En slik test kan gjøres ved å gjennomføre en regresjonsanalyse av de kvadrerte residualene som avhengig variabel og de kvadrerte forventingsverdiene og de ustandardiserte forventede verdiene (Tsay, 2002). Dette er gjort i tabell 5.7: Tabell 5.7: Whites test for homoskedastisitet Som tabell 5.7 viser, er resultatet av Whites test at homoskedastisitet ikke kan påvises i datamaterialet. Dette vises ved at signifikansen i testen er mindre enn 0,05. Denne testen viser med andre ord at det ikke finnes statistiske bevis for at man kan konkludere at forutsetningen for homoskedaststisitet er tilstede. Når man benytter slike tester må man huske at dette heller ikke konkluderer at forutsetningen ikke er oppfylt, da en negativ Whites test kan ha andre årsaker enn heteroskedastisitet (Dougherty, 2011). Det vil derfor være behov for ytterligere en test. Tabell 5.8: Breush-Pagan test for homoskedastisitet Breush-Pagan testen fremvist i tabell 5.8 tester om variansen til residualene i regresjonen er avhengig av verdiene til de uavhengige variablene (Dougherty, 2011). Som vi kan se av signifikansen til analysen i tabell 5.8 kan vi forkaste nullhypotesen om at residualene er 73

83 avhengig av verdiene til de forklarende variablene. Etter en samlet vurdering av testene og spredningsdiagram konkluderes det med at forutsetningen om homoskedastisitet er tilfredsstilt Test av multikollinearitet Videre er det en forutsetning for modellen validitet at de ulike forklaringsvariablene ikke har for stor grad av lineær sammenheng. Dersom det er en høy korrelasjon mellom de forklarende variablene kan det føre til stor volatilitet i koeffisientene og høye p-verdier (Dougherty, 2011). For å undersøke graden av korrelasjon mellom de ulike forklarende variablene vil det i tabell 5.9 bli presentert en korrelasjonsmatrise: Tabell 5.9: Korrelasjonsmatrise for å teste for multikollinearitet. Som korrelasjonsmatrisen viser et det ved hjelp av Pearsons korrelasjon, et mål på lineær korrelasjon (Dougherty, 2011), er det ingen veldig høye korrelasjoner mellom de ulike forklarende variablene. Den høyeste korrelasjonen blant forklarende variabler finner vi mellom størrelsesfaktoren og markedsfaktoren med en Pearson korrelasjon på 0,331. Ifølge Dougherty (2011) bør ikke denne korrelasjonsverdien overstige 0,6 dersom vi skal kunne si at multikorrelasjon ikke er tilstede, noe som ser ut til å være gjeldene for datamaterialet i denne studien. 74

84 Det er også verdt å merke seg korrelasjonen mellom de forklarende variablene og OSEBX-RF i korrelasjonsmatrisen. Den avhengige variabelen har en sterk positiv korrelasjon med størrelsesfaktoren, svak positiv korrelasjon med markedsfaktoren og lønnsomhetsfaktoren, og meget svak positiv korrelasjon med momentumsfaktoren. Dette forteller oss at det finnes en sammenheng mellom de forklarende variablene og den forklarte variabelen. Videre kan vi teste for multikollinearitet ved hjelp av en VIF-test (Variance Inflation Factortest). Dette er en test som måler hvor mye av variansen til regresjonskoeffisientene som økes på grunn av kollinearitet (Dougherty, 2011). VIF-verdiene til regresjonen blir presentert i tabell Tabell 5.10: VIF-test for å teste for multikollinearitet. Ifølge Dougherty (2011) vil en VIF-verdi over 3 bety sannsynlighet for multikollinearitet, over 5 bety stor sannsynlighet for multikollinearitet, mens en verdi over 10 betyr at man kan konkludere med at det finnes multikollinearitet i datamaterialet. Som tabell 5.10 viser finnes det liten grad av multikollinearitet i denne studiens regresjonsanalyse. Dette er positive resultater, da det vil forsterke koeffisientenes validitet og troverdighet Test av autokorrelasjon Den siste forutsetningen for regresjonsanalysen er at verdien til feilleddet i hvilken som helst observasjon blir bestemt uavhengig av verdien til alle andre observasjoner. Når denne forutsetningen ikke er tilfredsstilt, sier vi at feilleddet er produkt av autokorrelasjon, og oppstår normalt sett kun i regresjonsanalyse med tidsserier (Dougherty, 2011). Feilleddet i en regresjonsligning fanger opp innflytelsen til de variablene som påvirker den avhengige som ikke er inkludert i faktormodellen, og hvis feilleddet i i noen av observasjonene skal være uavhengig av verdiene i det forrige feilleddet må verdien til variablene som inngår i feilleddet være u-korrelerte med verdien til feilleddet i den forrige observasjonen. Med andre ord 75

85 forutsettes det at det ikke er noen korrelasjon mellom feilleddene. For å undersøke om det finnes grader av autokorrelasjon vil det i figur 5.7 bli fremstilt ustandardiserte residualer i tidsperioden grafisk. Figur 5.7: Ustandardiserte residualer i tidsperioden for å se etter tegn til autokorrelasjon. Som figur 5.7 viser, er det ingen stor grad av buer eller kurver i plottene. Dette er et positivt tegn for forutsetningen om fravær av autokorrelasjon, da det viser at residualene ikke har noen stor korrelasjon med redisualen i forrige observasjon. Det er heller ingen tegn på at residualene økes eller reduseres mot slutten av tidsperioden, noe som også er positivt for testen. Det er også verdt å merke seg fra figur 5.7 at residualene har en klart større spredning ved volatile tider som i 1998 og ved finanskrisen høsten Dette viser at modellen inkluderer krisetider, til tross for at ekstremverdiene er ekskludert fra datamaterialet for å tilfredsstille forutsetningene for regresjonsanalysen. Den grafiske fremstillingen gir sterke indikasjoner på at det ikke finnes noen stor grad av autokorrelasjon i regresjonen. For å forsikre dette resultatet viser en Durbin-Watson test en 76

86 verdi på 1,989. Ifølge Dougherty (2011) vil en Durbin-Watson verdi på rundt 2 være en indikasjon på at det ikke finnes autokorrelasjon i datasettet. Det vil derfor konkluderes med bakgrunn i den grafiske fremstillingen og Durbin-Watson verdien at forutsetningen for ingen autokorrelasjon er tilstede Oppsummering av regresjonens forutsetninger For å kunne validere regresjonsanalysen og for å kunne undersøke hvor troverdig resultatene er, har forutsetningene for regresjonsanalyse blitt testet. Testen for linearitet ble det ved hjelp av en spredningsmatrise at den sterkeste lineære sammenhengen finnes mellom størrelsesgaktoren og avkastningen for OSEBX. Disse to variablene ser ut til å ha et sterkt positivt lineært forhold, noe som bekreftes av faktorens koeffisient og signifikans. Markedsfaktoren (Rm-Rf) og lønnsomhetsfaktoren (PMN) ser ut til å ha et litt svakere, men likevel lineært og positivt forhold til OSEBX-RF. Med bakgrunn i spredningsdiagrammene for de uavhengige variablene kan det virke som om det er ulik grad av linearitet for de ulike faktorene, men ingen klare brudd i form av kurver eller buer. De grafiske observasjonene samsvarer også godt med verdiene fra regresjonsanalysen, noe som gjør at forutsetningen for linearitet er tilstede. Normalitet ble ved histogramtesten påvist, og viste at faktorene er tilnærmet normalfordelt, med noe mindre grad hos Rm-Rf grunnet enkelte høye verdier. Likevel ble forutsetningen ikke brutt, da graden av normalitet er tilfredsstilt. Testen for homoskedastisitet viste grafisk at det var stor grad av homoskedastititet, men enkelte tegn til heteroskedastisitet. Breush-Pagan testen forkaster nullhypotesen om heteroskedastisitet, og etter en samlet vurdering av testene og spredningsdiagram konkluderes det med at forutsetningen om homoskedastisitet er tilfredsstilt. Testen for mulikollinearitet viste svært få tegn til at denne forutsetningen er brutt, og resultatene var tilfredsstillende i form av lave VIF-verdier og svak korrelasjon mellom de forklarende variablene. Til slutt ble datamaterialet testet for autokorrelasjon. Dette ble testet både grafisk og ved en Durbin-Watson test, og begge metodene viset at forutsetningen om ingen eller liten autokorrelasjon er tilfredsstilt. En samlet vurdering av alle testene viser at det er liten grad eller ingen tegn til brudd på forutsetningene under regresjonsanalysen. Det vil derfor ikke være nødvendig med ytterligere transformeringer eller korrigeringer, og validiteten og reliabiliteten til regresjonsanalysen kan sies å være sterk. 77

87 5.4 Tilbakevirkende test av fire-faktormodellen For å kunne belyse hvordan den tilbakevirkende kraften fire-faktormodellen har hatt i tidsperioden for analysen vil det i dette delkapittelet bli presentert rullerende diagrammer for regresjonsanalysen. På denne måten vil man kunne belyse hvordan fire-faktormodellen fungerer i ulike settinger, som for eksempel bull og bear-markeder på OSEBX. En dynamisk modell vil ikke bli påvirket i nevneverdig grad av hvordan markedet beveger seg. En slik analyse kan også brukes for å belyse hvordan faktormodellen har vært i nyere tid i forhold til eldre data, og kan på denne måten brukes for å evaluere modellens aktualitet Rullerende forklaringsgrad Den historiske forklaringsgraden til fire-faktormodellen er et interessant mål på hvordan faktormodellen kan forklare avkastningen på OSEBX tilbake i tid. For å kunne illustrere dette har det i figur 5.8 blitt gjennomført månedlige tverrsnittregresjoner for å kunne se hvordan forklaringsgraden har variert i analyseperioden. En justert graf for OSEBX er lagt inn for å kunne illustrere hvordan den historiske forklaringsgraden har beveget seg for til sammenligning. Figur 5.8: Den historiske justerte forklaringsgraden og glidende gjennomsnitt som er beregnet med et snitt på de tre nærmeste observasjonene fra månedlige regresjoner. 78

88 Som figur 5.8 viser, har forklaringsgraden vært relativ stabil i hele perioden, nesten uten unntak alltid vært over 0,6. Den justerte forklaringsgraden har vært stabil rundt 0,8 men variert noe etter hvordan OSEBX-indeksen har beveget seg. Gjennom tidlig 2000 og helt frem til 2010 har forklaringsgraden ligget rundt 0,80 og falt noe tilbake i årene etter finanskrisen. Det er verdt å merke seg at den justerte forklaringsgraden kan se ut til å ha en tendens til å være høyere i bull-markeder enn ved bear-markeder. De to høyeste observasjonene av den justerte forklaringsgraden finnes ved oppgangstiden etter bankkrisen i 1998, og ved tiden før finanskrisen i Det er også verdt å merke seg at forklaringsgraden holdt seg høy hele veien gjennom finanskrisen og falt under 0,6 først i Dette viser at modellen også fungerer godt i nedgangstider og under finansielle kriser. Enkelte kjente modeller har tidligere hatt problemer med slike perioder, og det viser at fire-faktormodellen i denne oppgaven er dynamisk. I tiden etter finanskrisen har OSEBX hatt en meget god utvikling, med nesten uavbrutt oppgang siden slutten på Den positive trenden på OSEBX står i kontrast til forklaringsgraden til modellen som faller noe (Ned mot 0,6) mot 2013, før den snudde opp igjen i 2014 (tilbake mot 0,8). Den siste observasjonen fra 2014 viser at modellen ikke ble utdatert etter finanskrisen, men at den fremdeles er aktuell for dagens situasjon for indeksen til tross for enkelte lavere observasjoner i 2012 og Tabell 5.11: Nøkkelverdier for den justerte forklaringsgraden for månedlige historiske regresjonsanlyser. Nøkkelverdiene til de historiske forklaringsgradene i regresjonene viser et standardavvik på 0,12 noe som ikke er spesielt høy i situasjonens sammenheng. Dette viser at firefaktormodellen er dynamisk. Gjennomsnittet for den justerte forklaringsgraden ligger noe lavere enn R 2, noe som er forventet i en slik analyse. Det vitner om at de fire faktorene ikke 79

89 alltid har kunne forklart avkastningen på OSEBX. Dette åpner for å se nærmere på firefaktormodellens historiske p-verdier og koeffisienter Fire-faktormodellens historiske alfa-verdier Alfaverdien til faktormodellen er en svært viktig indikator for hvordan modellen har gjort det sammenlignet med referanseindeksen. Det vil derfor være interessant å undersøke hvordan alfaverdien har utviklet seg i tidsperioden for analysen. Dersom alfaverdien varierer i ulike markeder vil dette få betydning for fire-faktormodellens bruksområde. Den historiske alfaverdien er fremstilt grafisk i figur 5.9 med justert OSEBXindeks for sammenligning: Figur 5.9: Rullerende alfa-verdi basert på månedlige regresjonsanalyser av datamateriale. Glidende gjennomsnitt på tre måneder er lagt til for å belyse en mer standardisert linje for alfaverdien. Først og fremst bør det nevnes at OSEBX indeksen ikke er normalisert i forhold til alfaverdien i den grafiske fremstillingen. Indeksen er bare lagt inn for å lettere kunne se utviklingen på indeksen samtidig som alfaverdien beveger seg. Grafen viser en positiv alfaverdi gjennom hele perioden, med unntak av utgangen av 2001 og under finanskrisen i Dette vitner om at modellen er stabil og solid, men kan ha problemer med å skape meravkastning under finansielle kriser og nedgangsperioder. 80

90 Ettersom alfaverdien viser meravkastning utover referanseindeksen, er dette samlet sett svært positive resultater for fire-faktormodellen. Ettersom alfaverdien holdt seg positiv gjennom nedgangen tidlig 2000 viser det også at modellen kan fungere i nedgangstider. Alfaverdien var stabil gjennom den store bull-perioden før finanskrisen, og har vært positiv gjennom hele perioden i oppgangen etter finanskrisen. Grafen i figur 5.9 bekrefter testen for multikollinearitet da standardavviket til koeffisienten ikke er veldig volatil. Statistikken i tabell 5.12 viser også at gjennomsnittet for alfaverdien er positiv, noe som forteller at faktormodellen kan brukes for å få en meravkastning i forhold til OSEBX dersom andre forutsetninger også er tilstede. Tabell 5.12: Nøkkelverdier for alfa-verdiene for månedlige historiske regresjonsanlyser. For å belyse faktormodellens historiske P-verdi vil denne nå bli fremstilt i grafen i figur Det er viktig å merke seg at P-verdien vil bli mye høyere ved rullerende regresjoner, enn ved en enkelt regresjon. Fremstillingen vil derfor kun gi en indikasjon på hvordan P-verdien har vært påvirket, men vil ikke samlet sett kunne konkludere noen signifikans. Figur 5.10: Justert P-verdi for OSEBX fra månedlige regresjoner for å kunne belyse historiske effekter. 81

91 Som grafen viser har den rullerende P-verdien ligget rundt 0,2 i perioden. P-verdien har etter 2002 holdt seg lav, noe som er positivt for modellen. Det er også positivt for modellen at noen av de laveste observasjonene av den justerte P-verdien finnes i 2014, noe som forteller at faktormodellen fremdeles er gjeldende Markedsfaktorens historiske utvikling Markedsfaktoren har vært kjent som en svært solid faktor i fler-faktormodeller med mål om å forklare aksjeavkastning i lengre tid. Dette kommer av dens naturlige sammenheng med den avhengige variabelen, og dens dynamiske egenskaper til å justere seg etter markedssvingninger (Chincarini & Kim, 2006). I grafen i figur 5.11er markedsfaktorens koeffisient sammenlignet med OSEBX indeksen. Figur 5.11: Gjennomsnittskoeffisient for markedsfaktoren (Rm-Rf) for å kunne vise historiske effekter. Som grafen i figur 5.11 viser har koeffisienten vært positiv for hele tidsperioden. Dette kan komme av at OSEBX er en relativt liten markedsplass i markedssammenheng, og at 82

92 volatiliteten kan bidra til at markedskoeffisienten øker. Det er også verdt å merke seg at koeffisienten faller i forkant av finanskrisen, noe som isolert sett kan ses på som at markedsfaktoren kan forutse nedgangstider hadde det ikke vært for mangelen på dette mellom 2001 og Det er også en tendens til at koeffisienten økes når OSEBX øker, noe som gjør at markedfaktoren er større ved slutten av tidsperioden. Markedsfaktoren kan samtidig se ut til å være svært positiv i bull-perioder. For å kunne undersøke den historiske koeffisienten til markedsfaktoren nærmere, er nøkkeltallene belyst i tabell Tabell 5.13: Nøkkelverdier for Rm-Rf-koeffisiensverdiene for månedlige historiske regresjonsanlyser. Som statistikken i tabell 5.13 viser er det et positivt gjennomsnitt for koeffisienten på 0,11 med et tilhørende standardavvik på 0,117 som vitner om en relativ volatil faktor. 83

93 Figur 5.12: Justert P-verdi for markedsfaktoren fra månedlige regresjoner for å kunne vise historiske effekter. Den justerte P-verdien til markedsfaktoren i figur 5.12 viser en tendens til å bli mindre i mer moderne deler av tidsperioden. I oppgangen før finanskrisen hadde faktoren en svært høy justert p-verdi, noe som forteller at markedsfaktoren hadde problemer med å forklare oppgangen. I etterkant av finanskrisen har P-verdien holdt seg lav, med en økning mot slutten av Størrelsesfaktorens historiske utvikling Størrelsesfaktoren er en annen faktor som har vist seg å ha stor innflytelse i å kunne forklare aksjeavkastning, som tidligere nevnt i denne oppgaven. Faktoren har vært kjent for å ha høy forklaringsgrad samtidig som den er stabil i både bull og bear-markeder. I grafen i figur 5.13 er den historiske koeffisienten til størrelsesfaktoren sammenlignet med utviklingen for OSEBX. 84

94 Figur 5.13: Gjennomsnittskoeffisient for størrelsesfaktoren (SMB) for å kunne vise historiske effekter. Som figur 5.13 viser har størrelsesfaktoren vært stabil gjennom hele tidsperioden, samtidig som den har vært positiv rundt 0,6. Dette vitner om at størrelsesfaktoren har hatt stor betydning for avkastningen på OSEBX, og er en viktig faktor i modellen. I årene etter finanskrisen har koeffisienten falt noe tilbake, men fremdeles positiv med god margin. Faktoren har fått et løft i de to siste årene i tidsperioden, noe som viser at faktoren fremdeles er dynamisk og relevant for å forklare aksjeavkastningen på Oslo børs. Statistikken for størrelsesfaktorens koeffisient er fremstilt i tabell Tabell 5.14: Nøkkelverdier for SMB-koeffisiensverdiene for månedlige historiske regresjonsanlyser. Som tallene viser har koeffisienten en positiv og sterk gjennomsnitt på 0,66 med et tilhørende standardavvik på 0,12. Dette avviket er relativt lavt sett i sammenheng med gjennomsnittet, 85

95 noe som igjen vitner om at faktoren er svært robust og solid. Likevel er det en relativ stor forskjell mellom maksimumsverdien og minimumsverdien. Figur 5.14: Justert P-verdi for størrelsesfaktoren fra månedlige regresjoner for å kunne vise historiske effekter. Grafen for den justerte P-verdien til størrelsesfaktoren i figur 5.14 viser at P-verdien er svært signifikant i hele perioden. Likevel har P-verdien en liten økning mot slutten av tidsperioden for analysen. Den solide grafen viser at størrelsesfaktoren er dynamisk og signifikant i ulike markeder noe som er positiv for fire-faktormodellen Lønnsomhetsfaktorens historiske utvikling Lønnsomhetsfaktoren representert ved endring i ROE er en faktor i modellen som førsøker å inkludere elementer i nyere faktormodeller som for eksempel Hou, et. al (2014). Denne faktoren vil forsøke å inkludere noen av anomaliene som nyere studier har avdekket. I figur 5.15 er den historiske koeffisienten til lønnsomhetsfaktoren sammenlignet med avkastningen på OSEBX-indeksen. 86

96 Figur 5.15: Gjennomsnittskoeffisient for lønnsomhetsfaktoren (PMN) for å kunne vise historiske effekter. Som grafen viser i figur 5.15, er også denne koeffisienten positiv gjennom hele tidsperioden for analysen. Lønnsomhetskoeffisienten er mer volatil enn for eksempel størrelseskoeffisienten, noe som vitner om en mindre robust faktor. Det er ingen umiddelbare klare sammenhenger mellom OSEBX og lønnsomhetskoeffisienten, men koeffisienten faller relativt mye i årene etter finanskrisen sammenlignet med før. Dette kan være et tegn på at meravkastningen knyttet til denne faktoren svekkes dersom andre forutsetninger også er tilstede. I tabell 5.15 er nøkkeltallene for lønnsomhetskoeffisienten fremstilt. 87

97 Tabell 5.15: Nøkkelverdier for PMN-koeffisiensverdiene for månedlige historiske regresjonsanlyser. Som nøkkeltallene viser er gjennomsnittet for koeffisienten i de ulike tverrsnittregresjonene 0,246 med et tilhørende standardavvik på 0,132. Dette er ikke et veldig høyt standardavvik sett i forhold til gjennomsnittet, men vitner om at faktoren ikke er like robust som størrelsesfaktoren som nevnt tidligere. Den positive gjennomsnittskoeffisienten gjør at lønnsomheten har et positivt og sterkt bidrag til modellens samlede positive egenskaper. Figur 5.16: Justert P-verdi for lønnsomhetsfaktoren fra månedlige regresjoner for å kunne vise historiske effekter. Lønnsomhetsfaktoren har som grafen i figur 5.16 viser en sammenhengende lav p-verdi gjennom mesteparten av tidsperioden. Ved korreksjonen i 2002 og ved inngangen til

98 hadde lønnsomhetsfaktoren en noe høyere p-verdi enn ved resten av tidsperioden. Dette kan åpne for en teori om at lønnsomhetsfaktoren ikke fungerer like godt ved korreksjoner i markedet dersom dette også er tilfelle ved flere anledninger og ikke bare en tilfeldighet i dette studiet Momentumsfaktorens historiske utvikling Momentumsfaktorene er inkludert i modellen med mål om å øke modellens dynamiske egenskaper ved å over tid inkludere anomalier som er vanskelig å inkludere med andre faktorer. Dette er en faktor som tar med seg elementer fra atferdsfinans, noe som skaper et bindeledd mellom klassisk effisiensteori og nyere teori som inkluderer markedsaktørenes manglende rasjonalitet. Figur 5.17: Gjennomsnittskoeffisient for momentumsfaktoren (MMN) for å kunne vise historiske effekter. 89

99 Som grafen i figur 5.17 viser er momentumsfaktoren relativt volatil i perioden. Koeffisienten beveger seg rundt 0 helt frem til 2003, før den går over til en mer positiv utvikling i årene før finanskrisen. Momentumsfaktoren er på sitt høyeste i 2007, men faller sammen med indeksen i Likevel beveger ikke det glidende gjennomsnittet for koeffisienten seg under 0 under finanskrisen, noe som står i kontrast til forventingen om at aksjene som falt mye i verdi vil fortsette å falle. I børsoppgangen etter finanskrisen har ikke koeffisienten noen stabil utvikling, men faller heller ikke tilbake til nivåene mellom 2000 og Nøkkeltallene for momentumsfaktorens koeffisient er fremstilt i tabell Tabell 5.16: Nøkkelverdier for MMN-koeffisiensverdiene for månedlige historiske regresjonsanlyser. Som statistikken i tabell 5.16 viser har momentumskoeffisienten et svakt positivt gjennomsnitt på 0,026 med et tilhørende standardavvik på 0,121. Dette er et relativt høyt standardavvik i forhold til gjennomsnittet, og man kan dermed si at momentumskoeffisienten er svært volatil. 90

100 Figur 5.18: Justert P-verdi for momentumsfaktoren fra månedlige regresjoner for å kunne vise historiske effekter. Den justerte P-verdien til momentumsfaktoren viser at faktoren har problemer med å forklare avkastningen i starten av tidsperioden for analysen. Forklaringssignifikansen bedres noe mot starten av det nye milleniumet, og er nede i sin laveste verdi på toppen av bullmarkedet ved utgangen av Forklaringsproblemene gjenoppstår derimot i årene etter finanskrisen noe som svekker troverdigheten til koeffisientene i denne perioden. Resultatene fra de historiske tverrsnittregresjonene underbygger resultatene fra den samlede regresjonsanalysen som viste en svak positiv sammenheng mellom meravkastningen på OSEBX og momentumsfaktoren. 91

101 5.5 Fire-faktormodellens prestasjonsmål For å kunne illustrere fire-faktormodellens prestasjoner opp mot OSEBX-indeksen kan desilporteføljer tas i bruk. På denne måten kan man illustrere hvordan fire-faktormodellen har historisk utviklet seg sammenlignet med OSEBX på en kumulativ skala. I figur 5.18 er den indekserte månedsavkastningen delt inn i desilporteføljer i hele tidsperioden for studien. Figur 5.19: Månedsavkastning basert på desilportefølje hvor desil 10 har størst eksponering mot fire-faktormodellen. Eksponeringen reduseres mot desil 1 som ikke har noen ekspoering mot fire-faktormodellen. I figur 5.19 er 10 porteføljer delt inn etter hvor stor eksponeringen er mot faktormodellen i forhold til referanseporteføljen. Desilportefølje 1 har den største eksponeringen, og eksponeringen reduseres gradvis mot desilportefølje 10 med minst eksponering. Dette fører til en forenkling av fire-faktormodellens prestasjon, som ved å se bort i fra risiko 92

102 transaksjonskostnader og realisering av skattekrav, viser at avkastningen øker i takt med eksponeringen mot modellen Risikojusterte prestasjonsmål For å kunne belyse fire-faktormodellens historiske avkastning må den justeres for den underliggende risikoen som ligger bak. Risiko kan måles i mange ulike former når det gjelder verdipapirer, men volatiliteten vil være hovedkilden til risiko i denne oppgaven. For å kunne undersøke faktormodellens prestasjoner justert for den tilhørende risikoen vil prestasjonsmålene fra denne oppgavens metodekapittel bli benyttet. I tabell 5.17 er Sharperaten og Sortion-raten for de ulike desilporteføljene presentert. Tabell 5.17: Standardavvik, gjennomsnitt, Sharpe-raten og Sortine-raten for desilporteføljene. Som tabell 5.17 viser, vokser Sharpe-raten med økt eksponering for faktormodellen. Dette er positivt for modellen, og viser at modellen kan bidra til å skape meravkastning. Det er verdt å merke seg at dette alene ikke er et bevis på at faktormodellen kan brukes i fremtiden, og en høy Sharpe-rate er forventet da avkastningen ikke er korrigert for transaksjonskostnader og realisert skatt. Sortino-raten viser som tabell 5.17 belyser, noe av det samme som Sharperaten, men Sortino-raten øker noe mot desilporteføje 5 til desilportefølje 1. De høyeste verdiene finnes for størst eksponering, men grunnet mindre negativ volatilitet mot porteføljene for lavest eskponering foretrekker denne metoden desilportefølje 2 og 1 foran for eksempel desilportefølje 6 og 5. Informasjonsraten til den aktive porteføljen til fire-faktormodellen fratrukket OSEBX gjennom hele tidsperioden beregnes til 0,83 noe som vil gi et mer realistisk risikomål for firefaktormodellen. Alfaverdien er tidligere beregnet til 0,075 for fire-faktormodellen sammenlignet med OSEBX. Dette forteller at modellen har en risikojustert meravkastning i forhold til indeksen før justering av transaksjonskostnader og skatt. For å kunne si noe om hvor godt fire- 93

103 faktormodellen presterer opp mot OSEBX-indeksen kan vi se på tidligere studier for en generell sammenligning. En av de mest kjente studiene om aksjeavkastning ved faktormodeller og desilporteføljer ble gjort av Baker og Haugen (1996). Studien konkluderte med at en strategi med både long og short posisjoner basert på over 50 ulike variabler fra regnskapstall og tidligere kurshistorikk ville ha gitt en meravkastning på rundt 3 % per måned. I studien bruker de ulike variabler for å forklare de ulike faktorklassene, og skiller seg ut ved å bruke relativt lange tidsperspektiver på sine forklarende variabler. Et eksempel på dette er beregningen av betaverdier i regresjonen, hvor studien benytter glidende gjennomsnitt på 60 måneder som datamateriale. Dette er noe lengre enn hva som er normalt ifølge Baker og Haugen (1996). Studien kan ikke bevise at modellen kan gi attraktiv avkastning etter transaksjonskostnader, da disse barberer bort mye av avkastningen. Dersom man sammenligner fire-faktormodellen i denne studien vil det også være naturlig at mye av avkastningen også her barberes bort av transaksjonskostnadene. 5.6 Transaksjonskostnader En av hovedårsakene til at fler-faktormodeller sliter med å skape risikojustert meravkastning kommer av at transaksjonskostnadene blir for store sammenlignet med gevinsten fra meravkastningen. Hanna og Ready (2005) trakk transaksjonskostnader inn i sin studie som et svar på Haugen og Baker (1996), og forfatterne viste at strategier slik som Haugen og Baker (1996) ofte ikke i praksis vil fungere på grunn av transaksjonskostnadene, som for eksempel kurtasje til meglerhusene. Dette er interessant da det legger mindre vekt på viktighet for høyfrekvensstrategier, og mer fokus på fundamentale egenskaper hos aksjer. I studien fra Hanna og Ready (2005) ble transaksjonskostnadenes påvirkning på de finansielle modellene belyst, og lønnsomheten av handelsstrategien blir evaluert. Studien viste at ved å modifisere strategiene for å passe bedre inn i kostnadsstrukturen til transaksjonskostnadene kan lønnsomheten til modellene forbedres. Hanna og Ready (2005) hevdet det er mulig å assosiere forventet avkastning med systematisk risiko eller feilprising, og at transaksjonskostnadene skaper grenser for hvordan investorer kan prise et aktiva. Faktorene brukt i fire-faktormodellen i denne oppgaven er basert på daglige observasjoner for å øke validiteten til forklaringsgraden og for å fremheve de fire faktorenes evne til å forklare aksjeavkastningen på OSEBX i lys av oppgavens problemstilling. De daglige observasjonene 94

104 gjør at transaksjonskostnadene knyttet til å bruke modellen som en aktiv handelsstrategi trolig ville blitt svært høye. I lys av effisiensteorien er det også trolig at mye av den justerte meravkastningen ville blitt spist opp av transaksjonskostnadene. Markedsfaktoren vil medføre lite transaksjonskostnader, ettersom den kan gjenskapes i form av indeksfond. Størrelsesfaktoren vil medføre noe transaksjonskostnader, til tross for at man for eksempel kan holde de største selskapene (Statoil, Telenor, Norsk Hydro) over lengre perioder. Lønnsomhetsfaktoren krever en god del transaksjoner, men kun kvartalsvis da endringen i ROE kun kan gjøres kvartalsvis. Momentumsfaktoren vil også medføre en del transaksjonskostnader, men disse kan reduseres dersom man bruker en annen metode for å inkludere momentumaspektet i en portefølje. I tillegg til transaksjonskostnader vil også andre elementer kunne skape problemer med å oppnå en justert meravkastning. Et eksempel på dette er illikvide aksjer med lavt handelsvolum. En høyfrekvens aksjestrategi på illikvide aksjer kan føre til at stor spredning mellom kjøp og salgskursene fører til tap av risikojustert avkastning. 95

105 6. Oppsummering og konklusjon I denne masteroppgaven har det blitt konstruert en faktormodell, som kan anvendes til å forklare aksjeavkastningen på Oslo børs sin hovedindeks OSEBX. Dette er gjort for å kunne besvare masteroppgavens problemstilling om hvilke sentrale faktorer som kan forklare akasjeavkastningen på Oslo børs. I masteroppgaven har de ulike teoriene og hypotesene om temaet aksjeavkastning blitt belyst. Først ble markedsteorien introdusert, med fokus på hypotesen om effisiente markeder. Det finnes tre former for markedseffisiens (svak effisiens, sterk effisiens og semisterk effisiens), som er ulike grunnlag for hvilken tilnærming en investor har til kapitalmarkedet. Videre ble det trukket frem, ved hjelp av Grossman-Stiglitz (1980) paradokset, at det finnes enkelte problemer med forutsetningene i hypotesen om at markedet er effisiente. Modernisering av markedseffisienshypotesen, og Andrew Lo (2005) sin teori om en tilpasningsdyktig markedshypotese viser at det finnes rom for modeller som kan inkludere anomaliene til hypotesen om effisiente markeder. Noen av disse anomaliene blir belyst ved hjelp av tidligere studier, og deles inn i fundamentale, tekniske- og kalenderanomalier. For å kunne vurdere hvilke variabler som kan påvirke estimeringen av fremtidig aksjeavkastning, ble det videre belyst hvilke type variabler som tidligere modeller har tatt i bruk i ulike faktormodeller. Et eksempel på dette er Liu (2006), som viste at ved å inkludere likviditetsvariabler i sin to-faktormodell kunne øke forklaringsgraden til forventet avkastning, i forhold til tidligere modeller som for eksempel tre-faktormodellen til Fama og French (1993). De øvrige variablene er vekstvariabler, sektorvariabler, multippelvariabler, historiske prisvariabler, soliditetsvariabler og mometumvariabler. Den tradisjonelle og mest brukte modellen for å beregne forventet avkastning til en aksje er kapitalverdimodellen. I denne oppgaven er hovedelementene i kapitalverdimodellen beskrevet, og sammenhengen med kapitalmarkedslinjen og verdipapirmarkedslinjen blitt forklart. Disse to linjene beskriver avkastningskravets sammenheng med risiko for henholdsvis en portefølje og ett enkelt aktiva. En aksjes alfa-verdi finnes ved forskjellen mellom forventet aksjeavkastning i verdipapirmarkedslinjen, og den faktiske avkastningen. Kapitalverdimodellen kan også skrives på regresjonsform. 96

106 Fama og French (1993) sin tre-faktormodell tar i bruk tre ulike faktorer for å beskrive forventet aksjeavkastning. Den første faktoren i modellen er hentet fra kapitalverdimodellen, og er beskrevet som meravkastningen til en diversifisert markedsportefølje. Den andre faktoren i faktormodellen er beregnet ved differansen mellom avkastningen til en portefølje med eksponering mot aksjer i små selskaper, og avkastningen til en portefølje med eksponering mot aksjer i store selskaper. Den tredje og siste faktoren Fama og French (1993) inkluderte i faktormodellen er differansen mellom avkastning på en portefølje med selskaper med høy bokført verdi, og en portefølje med selskaper med lav bokført verdi relativt til markedsprisen. Det ble også vist at tre-faktormodellen har problemer med anomalier, som fører til en noe lav forklaringsgrad i regresjon. Som et svar på den lave forklaringsgraden mot enkelte anomalier i tre-faktormodellen ble Q- faktormodellen introdusert i 2014 (Hou, et. al, 2014). Dette er en ny modell som bygger på klassisk q-teori, og har med seg elementer og ideer fra tobins-q. Modellen bruker 4 faktorer for å forklare forventet avkastning. Den første faktoren er avkastningen til markedet fratrukket risikofri rente. Den andre faktoren er forskjellen mellom avkastingen til en portefølje med små selskaper og avkasting til en portefølje med store selskaper. Den tredje faktoren er forskjellen mellom avkastningen til en portefølje med selskaper med lavt investeringsbehov og avkastningen til en portefølje med selskaper med høyt investeringsbehov. Den siste faktoren i q-modellen er forskjellen mellom avkastningen til en portefølje med selskaper høy fortjeneste av egenkapitalen (ROE) og en portefølje med selskaper med lav fortjeneste av egenkapitalen (ROE). Dette gjør modellen innovativ, og har ført til at q-faktormodellen har fått mye oppmerksomhet i finansmiljøet. Samarbeidet mellom finans og annen sosialvitenskap har blitt kjent som atferdsfinans, og har ført til en viktig belysning av psykologiens rolle i finansielle markeder (Shiller, 2003). Shiller (2003) mener at psykologi kan være med å påvirke aksjeavkastning, noe som underbygges av en rekke ulike studier. En annen viktig bidragsyter til atferdsfinansen er David Kahneman, som i 2002 mottok nobelprisen i økonomi ved å utfordre tradisjonell økonomisk teori om at mennesker gjør rasjonelle valg basert på egeninteresse. Kahneman og Tversky (1992) viser med sin prospektteori, at mennesker er langt mer irrasjonelle enn vi liker å tro. 97

107 Fra litteraturstudien ble det klart at fire faktorer ofte har vist seg å være relevante i forsøk på å forklare aksjeavkastning. Fire-faktormodellen i denne oppgaven har vært i henhold til Lo (2005) et forsøk på å kombinere ulike synsvinkler fra finansteorien. Fire-faktormodellen inkluderer elementer fra den klassiske kapitalverdimodellen (markedsfaktoren), til den velkjente tre-faktormodellen (Størrelsesfaktoren) til Fama og French (1993), til den nyere Q- faktormodellen (Lønnsomhetsfaktoren med endring i ROE) til Hou et. al (2014) og nyere momentumsteori (Momentumsfaktoren). Multippel regresjonsanalyse ble benyttet for å kunne teste fire-faktormodellens evner til å forklare den historiske avkastningen på Oslo børs. Konklusjonen fra denne analysen vil nå bli presentert. Regresjonsanalysen viser at fire-faktormodellen forklarer avkastningen på OSEBX meget godt, med en R 2 på 0,822. Dette er, gitt tidsperioden og den relativt lille markedsplassen OSEBX, et tilfredsstillende resultat. Dette blir underbygget av testene for forutsetningene til regresjonen, som alle kan konkluderes med er tilfredsstilt. Etter regresjonsanalysen kan man konkludere med at alle de fire faktorene er signifikante og relevante for å forklare avkastingen på OSEBX. Momentumsfaktoren hadde en noe svak forklaringsevne, men kan likevel sies å ha bidratt til et positivt resultat og er relevant for oppgaven. For å unngå fallgruven med data-snoping er ikke metoden for å beregne momentum endret, men det er naturlig å tenke at dette kan bedre modellens forklaringsevne ytterligere. Spesielt nevneverdig er det at lønnsomhetsfaktoren med endring i ROE har en høy forklaringsevne i modellen, da dette er en relativt ny og lite brukt måte å beregne dette mot for eksempel HML-faktoren i tre-faktormodellen til Fama og French (1993). Desilporteføljene viste at avkastningen øker med eksponeringen mot fire-faktormodellen. De risikojusterte avkastningsmålene viser at modellen kan bidra til avkastning med riktig handelsstrategi. Avslutningsvis konkluderes det med at markedet, størrelse, lønnsomhet og momentum kan forklare en svært stor del av avkastingen på OSEBX-indeksen. Det konkluderes også med at fire-faktormodellen har høy validitet og reliabilitet, i hendold til testene for forutsetningene i regresjonsanalyse. 98

108 6.1 Begrensninger En av begrensningene for studier som omhandler temaet aksjeavkastning er at det kan være enkelte forklarende faktorer som kan være vanskelig å observere. Slike variabler kalles for latente variabler, og det kan være en utfordring å konstruere og velge en sammensetning av observerbare variabler for å måle de latente variablene. I denne oppgavens fire-faktormodell har for eksempel investeringsbehov vært en latent variabel som har blitt inkludert ved å se på endring i ROE og her også inkludert lønnsomhet. Det optimale for oppgaven ville vært om investeringsbehov ville vært direkte observerbart. En annen tilnærming kunne vært å beregne et estimat for gjenanskaffelseskosten for de ulike selskapene, og tatt i bruk tobins-q som en faktor i modellen. Begrenset tilgjengelige ressurser gjør at dette blir vanskelig. En annen begrensning for oppgaven er at ressursene ikke strekker for å kunne inkludere transaksjonskostnader i analysen av fire-faktormodellens evne til å skape risikojustert meravkastning. Ettersom det er uklart hva de faktiske transaksjonskostnadene ville vært i tidsperioden vil dette kreve store ressurser for å belyse. En siste begrensning for oppgaven, er at OSEBX er en liten indeks, noe som gjør at det tilgjengelige datamateriale blir mye mindre enn hva de tradisjonelle faktormodellene er testet på. Det at modellen får gode resultater på tross av dette viser at fire-faktormodellen forklarer avkastningen på OSEBX godt. 6.2 Forslag til videre studier Regresjonsanalysen i denne masterstudien åpner for en rekke videre studier om sammenlignbare temaer. Et eksempel på dette kan være å undersøke om denne oppgavens fire-faktormodell kan skape risikojustert meravkastning ved å inkludere den i en handelsstrategi på Oslo børs etter transaksjonskostnader er trukket fra. En annen studie som kan bygge på denne oppgaven kan være å sammenligne fire-faktormodellens evne til å forklare avkastningen på OSEBX i forhold til andre modeller som for eksempel trefaktormodellen til Fama og French (1993) eller Q-faktormodellen til Hou et. al (2014). En videre studie kan også forsøke å endre metoden for beregning av de ulike faktorene for å undersøke om dette kan bedre forklaringsevnen til størrelse, lønnsomhet og momentumsfaktoren. Dette vil være spesielt interessant for momentumsfaktoren da den viser en svakere evne til å forklare avkastning på OSEBX enn de andre faktorene. Et siste forslag til videre studier er å ta i bruk fire-faktormodellen i ulike handelsstrategier, som for eksempel breakout eller reversal-strategier. Fire-faktor modellen har vist at den forklarer aksjeavkastningen godt, og det vil være sannsynlig at modellen kan brukes til å konstruere en skreddersydd strategi. 99

109 7. Vedlegg 7.1 OSEBX-Vekter Selskapsnavn TICKER Markedsverdi per Vekt i % STATOIL ASA STL kr ,12 DNB ASA DNB kr ,79 TELENOR ASA TEL kr ,38 YARA INTERNATIONAL YAR kr ,09 NORSK HYDRO ASA NHY kr ,97 ORKLA ASA A-AKSJER ORK kr ,63 MARINE HARVEST ASA MHG kr ,33 Seadrill SDRL kr ,31 SCHIBSTED ASA SCH kr ,14 Royal Caribbean Cruises RCL kr ,08 GJENSIDIGE FORS. ASA GJF kr ,67 Subsea 7 SUBC kr ,27 TGS NOPEC GEOPHYSIC. TGS kr ,94 STOREBRAND ASA ORD. STB kr ,63 DNO ASA DNO kr ,21 OPERA SOFTWARE ASA OPERA kr ,20 PETROLEUM GEO-SERV. PGS kr ,95 KONGSBERG GRUPPEN AS KOG kr ,87 Bakkafrost BAKKA kr ,86 NORWEGIAN AIR SHUTTL NAS kr ,77 Prosafe PRS kr ,75 VEIDEKKE ASA VEI kr ,74 AKER SOLUTIONS ASA AKSO kr ,70 ATEA ASA A-AKSJER ATEA kr ,68 SALMAR ASA SALM kr ,68 NORDIC SEMICONDUCTOR NOD kr ,68 ENTRA ASA ENTRA kr ,66 TOMRA SYSTEMS ASA TOM kr ,64 BW LPG BWLPG kr ,58 REC SILICON ASA REC kr ,52 XXL ASA A-AKSJER XXL kr ,50 DET NORSKE OLJESELSK DETNOR kr ,50 AKER ASA A-AKSJER AKER kr ,46 OLAV THON EIENDOM OLT kr ,41 REC SOLAR ASA RECSOL kr ,38 AKASTOR ASA AKA kr ,37 WILH. WILHELMSEN ASA WWASA kr ,34 AF GRUPPEN ASA A-AKSJER AFG kr ,32 100

110 NORWEGIAN PROPERTY NPRO kr ,30 FRED OLSEN ENERGY FOE kr ,30 Stolt-Nielsen SNI kr ,29 KONGSBERG AUTOMOTIVE KOA kr ,28 WILH. WILH. HOLDING A-AKSJER WWI kr ,26 EKORNES ASA EKO kr ,24 ABG SUNDAL COLLIER ASC kr ,22 Golden Ocean Group GOGL kr ,21 WILH. WILH. HOLDING B-AKSJER WWIB kr ,19 AMERICAN SHIPPING CO AMSC kr ,17 SCATEC SOLAR ASA SSO kr ,12 WEIFA ASA WEIFA kr ,10 ELTEK ASA ELT kr ,09 BIOTEC PHARMACON ASA BIOTEC kr ,07 BIONOR PHARMA ASA BIONOR kr , Histogram og boks-plot før eliminering av ekstremverdier 101

111 102

Faktorer på Oslo Børs

Faktorer på Oslo Børs Faktorer på Oslo Børs Bernt Arne Ødegaard Professor, Universitetet i Stavanger Presentasjon hos folketrygdfondet, Januar 2010 Oversikt Oppsummere studien Hvilke faktorer driver kursutviklingen på Oslo

Detaljer

temaartikkel Denne temaartikkelen er hentet fra Folketrygdfondets årsrapport for 2010. Avkastningsutviklingen 1998 2010, Statens pensjonsfond Norge

temaartikkel Denne temaartikkelen er hentet fra Folketrygdfondets årsrapport for 2010. Avkastningsutviklingen 1998 2010, Statens pensjonsfond Norge temaartikkel Avkastningsutviklingen 1998-2010, Avkastningsutviklingen 1998 2010, Denne temaartikkelen er hentet fra Folketrygdfondets årsrapport for 2010. Avkastningsutviklingen 1998-2010, Avkastningsutviklingen

Detaljer

Handelsstrategier basert på historiske avkastningstall.

Handelsstrategier basert på historiske avkastningstall. NORGES HANDELSHØYSKOLE Bergen, våren 2014. Handelsstrategier basert på historiske avkastningstall. En empirisk analyse av handelsstrategier på OBX. Rune Hustad Veileder: Torfinn Harding Master i økonomi-

Detaljer

Hvilke faktorer driver kursutviklingen på Oslo

Hvilke faktorer driver kursutviklingen på Oslo Hvilke faktorer driver kursutviklingen på Oslo Børs? Resultater for perioden 1980-2006 Randi Næs Norges Bank Johannes Skjeltorp Norges Bank Bernt Arne Ødegaard Handelshøyskolen BI og Norges Bank FIBE,

Detaljer

d) Stigningen til gjennomsnittskostnadene er negativ når marginalkostnadene er større

d) Stigningen til gjennomsnittskostnadene er negativ når marginalkostnadene er større Oppgave 11: Hva kan vi si om stigningen til gjennomsnittskostnadene? a) Stigningen til gjennomsnittskostnadene er positiv når marginalkostnadene er høyere enn gjennomsnittskostnadene og motsatt. b) Stigningen

Detaljer

RISIKO- OG PRESTASJONSMÅLING AV AKSJEPORTEFØLJER

RISIKO- OG PRESTASJONSMÅLING AV AKSJEPORTEFØLJER RISIKO- OG PRESTASJONSMÅLING AV AKSJEPORTEFØLJER GEVINST-TAP VERSUS GJENNOMSNITT-VARIANS Hanne Setane Master økonomi og administrasjon Universitetet i Stavanger 2010 DET SAMFUNNSVITENSKAPELIGE FAKULTET,

Detaljer

Hvilke faktorer driver kursutviklingen på Oslo

Hvilke faktorer driver kursutviklingen på Oslo Hvilke faktorer driver kursutviklingen på Oslo Børs? Resultater for perioden 1980-2006 Randi Næs Norges Bank Johannes Skjeltorp Norges Bank Bernt Arne Ødegaard Handelshøyskolen BI og Norges Bank FIBE,

Detaljer

Grad av aktiv forvaltning for fond i DNB Norge-familien

Grad av aktiv forvaltning for fond i DNB Norge-familien Grad av aktiv forvaltning for fond i DNB Norge-familien Analyse av DNB Norge, DNB Norge I, Avanse Norge I og Avanse Norge II for tidsrommet 31..2009 til 31..2014. Petter Bjerksund, professor NHH og Trond

Detaljer

To-faktor prisingsmodell

To-faktor prisingsmodell To-faktor prisingsmodell Kan Fama-French faktorene, SMB og HML, erstattes av bare én enkel faktor? Sandra Tennøy Veileder Valeri Zakamouline Masteroppgaven er gjennomført som ledd i utdanningen ved Universitetet

Detaljer

Hvordan påvirker adferden til de ulike aktørene prisene i finansmarkedene?

Hvordan påvirker adferden til de ulike aktørene prisene i finansmarkedene? Hvordan påvirker adferden til de ulike aktørene prisene i finansmarkedene? Finansmarkedsfondet ga i 2004 støtte til et prosjekt som skulle gi i ny innsikt i hvordan adferden til aktørene i finansmarkedene

Detaljer

Høye skårer indikerer høye nivåer av selvkontroll.

Høye skårer indikerer høye nivåer av selvkontroll. Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2015 Skriftlig skoleeksamen tirsdag 19. mai, 09:00 (4 timer) Resultater publiseres 10. juni Kalkulator

Detaljer

Størrelseseffekten og verdieffekten

Størrelseseffekten og verdieffekten Størrelseseffekten og verdieffekten Kan konjunktursykluser støtte en risikobasert forklaring? Morten Svendsen Veileder Valeri Zakamouline Masteroppgaven er gjennomført som ledd i utdanningen ved Universitetet

Detaljer

13,93. Avkastning over tid 3,96 6,77. 3 år 2009-2011. 5 år 2007-2011. 10 år 1,53 0,40 1,26 -3,92 2002-2011

13,93. Avkastning over tid 3,96 6,77. 3 år 2009-2011. 5 år 2007-2011. 10 år 1,53 0,40 1,26 -3,92 2002-2011 Avkastning over tid god meravkastning siste fem år Statens pensjonsfond Norge avkastning over tid AVKASTNING (Prosent) 1 år 2011 3 år 2009-2011 5 år 2007-2011 % 10 år 2002-2011 13,93 3,96 6,77-3,92 Folketrygdfondet

Detaljer

Temaartikkel. Statens pensjonsfond Norge, avkastningsutviklingen 1998 2008

Temaartikkel. Statens pensjonsfond Norge, avkastningsutviklingen 1998 2008 Temaartikkel Statens pensjonsfond Norge, avkastningsutviklingen 1998 2008 Denne temaartikkelen er hentet fra Folketrygdfondets årsrapport 2008 Haakon VIIs gate 2 Pb. 1845 Vika, 0123 Oslo Tlf: 23 11 72

Detaljer

Tabell 1: Eiendomsaksjer i FTSE All Cap, regioner og SPU referanseindeks for aksjer. Referanseindeks SPU. FTSE All Cap

Tabell 1: Eiendomsaksjer i FTSE All Cap, regioner og SPU referanseindeks for aksjer. Referanseindeks SPU. FTSE All Cap 4 Vedlegg: Tabeller og figurer Tabell 1 viser hvor stor andel eiendomssektorer utgjorde av henholdsvis fondets referanseindeks for aksjer, FTSE All Cap indeksen og ulike regioner per 25. Januar 2013. Vi

Detaljer

Egenkapitalbevis i sparebanker, en analyse av. perioden 1998-2009

Egenkapitalbevis i sparebanker, en analyse av. perioden 1998-2009 Egenkapitalbevis i sparebanker, en analyse av perioden 1998-2009 av Eirik Kaaby Mastergradsoppgave i økonomi og administrasjon Studieretning bedriftsøkonomi 30 studiepoeng Handelshøgskolen i Tromsø Universitetet

Detaljer

SOS1120 Kvantitativ metode. Regresjonsanalyse. Lineær sammenheng II. Lineær sammenheng I. Forelesningsnotater 11. forelesning høsten 2005

SOS1120 Kvantitativ metode. Regresjonsanalyse. Lineær sammenheng II. Lineær sammenheng I. Forelesningsnotater 11. forelesning høsten 2005 SOS1120 Kvantitativ metode Regresjonsanalyse Forelesningsnotater 11. forelesning høsten 2005 Per Arne Tufte Lineær sammenheng I Lineær sammenheng II Ukelønn i kroner 4000 3500 3000 2500 2000 1500 1000

Detaljer

MARKEDSKOMMENTAR MAI 2015 HVA NÅ?

MARKEDSKOMMENTAR MAI 2015 HVA NÅ? MARKEDSKOMMENTAR MAI 2015 HVA NÅ? Det naturligste spørsmålet å stille en investeringsrådgiver er: "Hvor skal jeg plassere pengene mine nå?". Dette spørsmålet er aldri lett å svare på, men slik markedene

Detaljer

Sammenhenger mellom bredden i aksjeeierskapet og aksjeavkastning?

Sammenhenger mellom bredden i aksjeeierskapet og aksjeavkastning? Sammenhenger mellom bredden i aksjeeierskapet og aksjeavkastning? Richard Priestley og Bernt Arne Ødegaard Handelshøyskolen BI April 2005 Oversikt over foredraget Empiriske spørsmål vi vil se på. Teoretisk

Detaljer

Active share i norsk fondsforvaltning

Active share i norsk fondsforvaltning NORGES HANDELSHØYSKOLE Bergen, 16.12.2011 Active share i norsk fondsforvaltning En empirisk analyse Bjørn Olav Smørgrav og Andreas Næss Veileder: Thore Johnsen Masterutredning NORGES HANDELSHØYSKOLE Denne

Detaljer

Bli en bedre investor

Bli en bedre investor Bli en bedre investor Christiania Securities Christiania Securities er et veletablert meglerhus som tilbyr aksjehandel på Oslo børs og de øvrige nordiske aksjemarkedene. Selskapet ble etablert i 1995 og

Detaljer

HVA GIR GOD AVKASTNING OVER TID?

HVA GIR GOD AVKASTNING OVER TID? HVA GIR GOD AVKASTNING OVER TID? Hvilke faktorer er det som over tid gir god avkastning? I denne artikkelen søker vi ved hjelp av regresjonsanalyser å forklare avkastningsutviklingen i de to norske delporteføljene

Detaljer

Fra ekspeditør, via rådgiver til sparringspartner. Martin Henrichsen

Fra ekspeditør, via rådgiver til sparringspartner. Martin Henrichsen Fra ekspeditør, via rådgiver til sparringspartner Martin Henrichsen ODIN skaper verdier for fremtiden Man får betalt når pengene får svinge i verdi Irak invaderer Kuwait Bankkrise i Norge Asia-krisen IT-boblen

Detaljer

En analyse av norske aksjefond

En analyse av norske aksjefond NORGES HANDELSHØYSKOLE Bergen, våren 2014 En analyse av norske aksjefond -Analyse og prestasjonsvurdering av norske aksjefond i perioden 1996-2012 Av Remi André Fure Veileder: Tore Leite Masteroppgave

Detaljer

Bacheloroppgave ved Høgskolen i Oslo og Akershus

Bacheloroppgave ved Høgskolen i Oslo og Akershus Bacheloroppgave ved Høgskolen i Oslo og Akershus Økonomi og administrasjon April 2014 Flokkatferd på Oslo Børs En empirisk undersøkelse av autokorrelasjon i volumer av Jenny Henriette Strøm Berthelsen

Detaljer

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt.

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt. Eksamen i: MET040 Statistikk for økonomer Eksamensdag: 4. juni 2008 Tid for eksamen: 09.00-13.00 Oppgavesettet er på 5 sider. Tillatte hjelpemidler: Alle trykte eller egenskrevne hjelpemidler og kalkulator.

Detaljer

Prestasjonsanalyse av norske aksjefond

Prestasjonsanalyse av norske aksjefond Prestasjonsanalyse av norske aksjefond Vurdering av prestasjon og persistens ved bruk av flerfaktormodeller i perioden 1986-2009 Bente Reizer Veileder Arne Dag Sti Masteroppgaven er gjennomført som ledd

Detaljer

Kapitalforvaltning i stiftelser. Stiftelsesforum 2012

Kapitalforvaltning i stiftelser. Stiftelsesforum 2012 Kapitalforvaltning i stiftelser Stiftelsesforum 2012 1. Stiftelser 2. Finansstrategi 3. Case 4. Oppsummering Innhold i presentasjonen og kapitalforvaltning noen innledende kommentarer grunnlag for forutsigbar

Detaljer

Forord. Innholdet i denne oppgaven står for forfatternes regning. Trondheim, 15. mai 2013.

Forord. Innholdet i denne oppgaven står for forfatternes regning. Trondheim, 15. mai 2013. Forord Denne masteroppgaven utgjør den avsluttende del av mastergradstudiet i økonomi og administrasjon ved Handelshøyskolen i Trondheim. Gjennom studietiden har vi utviklet vår interesse for finansmarkeder,

Detaljer

3.A IKKE-STASJONARITET

3.A IKKE-STASJONARITET Norwegian Business School 3.A IKKE-STASJONARITET BST 1612 ANVENDT MAKROØKONOMI MODUL 5 Foreleser: Drago Bergholt E-post: Drago.Bergholt@bi.no 11. november 2011 OVERSIKT - Ikke-stasjonære tidsserier - Trendstasjonaritet

Detaljer

Forord. Denne masteroppgaven utgjør det avsluttende arbeidet til vår mastergrad innenfor finansiering og investering ved Handelshøyskolen i Trondheim.

Forord. Denne masteroppgaven utgjør det avsluttende arbeidet til vår mastergrad innenfor finansiering og investering ved Handelshøyskolen i Trondheim. Forord Denne masteroppgaven utgjør det avsluttende arbeidet til vår mastergrad innenfor finansiering og investering ved Handelshøyskolen i Trondheim. Overordnet tema for oppgaven er aksjefondsforvaltning.

Detaljer

MASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00

MASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00 MASTER I IDRETTSVITENSKAP 2014/2016 Individuell skriftlig eksamen i STA 400- Statistikk Fredag 13. mars 2015 kl. 10.00-12.00 Hjelpemidler: kalkulator Eksamensoppgaven består av 10 sider inkludert forsiden

Detaljer

Uken som gikk. Det ser bedre ut med hensyn til makrotallene, særlig ser det bedre ut i Emerging Markets!

Uken som gikk. Det ser bedre ut med hensyn til makrotallene, særlig ser det bedre ut i Emerging Markets! Boreanytt Uke 15 Uken som gikk Allokeringsmodellens score peker fortsatt mot «risk on». Scoren er på 1,5 og understøttes av VIX, renter, norsk pris/bok og AAIIundersøkelsen. Shiller PE er eneste negative

Detaljer

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. April 2012

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. April 2012 Månedsrapport Selecta Ltd. og Multi Strategy Ltd. April 2012 Selecta Ltd. faktaark 2 Multi Strategy Ltd. faktaark 3 Verdijustert egenkapital per andelsklasse 4 Definisjoner 5 Selecta Ltd. April 2012 VEK

Detaljer

Tilbakekjøp av egne aksjer

Tilbakekjøp av egne aksjer NORGES HANDELSHØYSKOLE Bergen, våren 2008 Tilbakekjøp av egne aksjer Markedets respons og faktorer som påvirker responsen Av Kenneth Settem Veileder: Førsteamanuensis Tommy Stamland Fordypning i finansiell

Detaljer

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. Desember 2012

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. Desember 2012 Månedsrapport Selecta Ltd. og Multi Strategy Ltd. Desember 2012 Selecta Ltd. faktaark 2 Multi Strategy Ltd. faktaark 3 Verdijustert egenkapital per andelsklasse 4 Definisjoner 5 12.03 06.04 12.04 06.05

Detaljer

Fama og Frenchs tre-faktormodell: En studie om bedriftsspesifikke faktorer kan forklare størrelses- og verdianomalien.

Fama og Frenchs tre-faktormodell: En studie om bedriftsspesifikke faktorer kan forklare størrelses- og verdianomalien. Endre Bergessønn Guderud Høgskolen i Sørøst-Norge Handelshøyskolen og fakultet for samfunnsvitenskap Mastergradsavhandling i økonomi og ledelse Fordypningsområde: bedriftsøkonomisk analyse og finans Fama

Detaljer

Eksisterer det momentum i det norske aksjemarkedet?

Eksisterer det momentum i det norske aksjemarkedet? NORGES HANDELSHØYSKOLE Bergen, Våren 2007 Eksisterer det momentum i det norske aksjemarkedet? av Harald Myklebust Veileder: Førsteamanuensis Jørgen Haug Utredning i fordypnings-/spesialområdet: Finansiell

Detaljer

Teknisk analyse: Er det mulig å skape meravkastning ved enkle tekniske indikatorer? Stavanger, våren 2015

Teknisk analyse: Er det mulig å skape meravkastning ved enkle tekniske indikatorer? Stavanger, våren 2015 Stavanger, våren 2015 Teknisk analyse: Er det mulig å skape meravkastning ved enkle tekniske indikatorer? Mastergradsavhandling innenfor studieretningen anvendt finans. Skrevet av Petter Viksund 1 FACULTY

Detaljer

Figur 1. Selskapene i den norske OSEBX-indeksen

Figur 1. Selskapene i den norske OSEBX-indeksen Indeksfond Aksjeindekser ble introdusert som en metode for å måle gjennomsnittlig avkastning til et utvalg aksjer. Den eldste eksisterende amerikanske aksjeindeksen Dow Jones Industrial Average ble publisert

Detaljer

Predikering av aksjemarkedet med rentedifferansen mellom lange- og korte renter.

Predikering av aksjemarkedet med rentedifferansen mellom lange- og korte renter. Predikering av aksjemarkedet med rentedifferansen mellom lange- og korte renter. Jo Even Warpe Veileder Valeri Zakamouline Masteroppgaven er gjennomført som ledd i utdanningen ved Universitetet i Agder

Detaljer

Pensjon Pluss, Innskuddspensjon

Pensjon Pluss, Innskuddspensjon Pensjon Pluss, Innskuddspensjon Ved pensjonstidspunktet vil du få pensjon fra flere kilder; folketrygden, tjenestepensjon og eventuelle individuelle pensjonsordninger. For oversikt over hvilke pensjoner

Detaljer

Sammenhenger mellom størrelse, kostnader og avkastning i kapitalforvaltningen

Sammenhenger mellom størrelse, kostnader og avkastning i kapitalforvaltningen Sammenhenger mellom størrelse, kostnader og avkastning i kapitalforvaltningen Et omfattende datamateriale fra store nord-amerikanske pensjonsfond viser at forvaltningskostnadene er lavere, målt som andel

Detaljer

Fra ekspeditør, via rådgiver til sparringspartner. Martin Henrichsen

Fra ekspeditør, via rådgiver til sparringspartner. Martin Henrichsen Fra ekspeditør, via rådgiver til sparringspartner Martin Henrichsen ODIN skaper verdier for fremtiden Man får betalt når pengene får svinge i verdi Irak invaderer Kuwait Bankkrise i Norge Asia-krisen IT-boblen

Detaljer

Sentralmål og spredningsmål

Sentralmål og spredningsmål Sentralmål og spredningsmål av Peer Andersen Peer Andersen 2014 Sentralmål og spredningsmål i statistikk I dette notatet skal vi se på de viktigste momentene om sentralmål og spredningsmål slik de blir

Detaljer

Søgne kommune Kapitalforvaltning

Søgne kommune Kapitalforvaltning Søgne kommune Kapitalforvaltning Presentasjon kommunestyret 29.03.2012 P. 1 Dato 29.03.2012 Gabler Wassum Søgne kommune Agenda Langsiktig kapitalforvaltning Kapitalforvaltningsresultater 2011 Kapitalforvaltningsresultater

Detaljer

En praktisk anvendelse av moderne porteføljeteori

En praktisk anvendelse av moderne porteføljeteori NORGES HANDELSHØYSKOLE Bergen, Våren 2011 En praktisk anvendelse av moderne porteføljeteori Den optimale porteføljen Daniel Andrè Fagerli og Jostein Hole Veileder: Frode Sættem UTREDNING I FORDYPNINGSOMRÅDET

Detaljer

Boreanytt Uke 20. Borea Asset Management Kalfarveien 76, N-5018 BERGEN +47 53 00 29 00

Boreanytt Uke 20. Borea Asset Management Kalfarveien 76, N-5018 BERGEN +47 53 00 29 00 Boreanytt Uke 20 Borea Asset Management Kalfarveien 76, N-5018 BERGEN +47 53 00 29 00 Uken som gikk... Allokeringsmodellen har fortsatt en score på 1,2. Markedet og VIX er volatil, og i USA er det veldig

Detaljer

Hva kan forklare risikojustert meravkastning i aktivt forvaltede norske aksjefond?

Hva kan forklare risikojustert meravkastning i aktivt forvaltede norske aksjefond? Eirik Losgård Landheim og Magnus L Abée-Lund Hva kan forklare risikojustert meravkastning i aktivt forvaltede norske aksjefond? Masteroppgave i økonomi og administrasjon Høgskolen i Oslo og Akershus, Fakultet

Detaljer

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. Oktober 2013

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. Oktober 2013 Månedsrapport Selecta Ltd. og Multi Strategy Ltd. Oktober 2013 Selecta Ltd. faktaark 2 Multi Strategy Ltd. faktaark 3 Verdijustert egenkapital per andelsklasse 4 Definisjoner 5 Selecta Ltd. Oktober 2013

Detaljer

Statlig eierskap på Oslo Børs. Bernt Arne Ødegaard. Professor Universitetet i Stavanger

Statlig eierskap på Oslo Børs. Bernt Arne Ødegaard. Professor Universitetet i Stavanger Statlig eierskap på Oslo Børs Bernt Arne Ødegaard Professor Universitetet i Stavanger Hva er spørsmålet? Er det slik at det at staten har en stor aktiv eierpost i et selskap på Oslo Børs påvirker prisen

Detaljer

- 2 - Investeringshorisont: Porteføljen er beregnet for investorer med minimum 3 års investeringshorisont.

- 2 - Investeringshorisont: Porteføljen er beregnet for investorer med minimum 3 års investeringshorisont. : I NetfondsXtra Norge spisset Netfonds Bank forvalter tre aksjeporteføljer i NetfondsXtra serien (Norge bred, Norge spisset, Norden spisset). Oppdraget vårt er å ivareta og utvikle finansielle verdier

Detaljer

Prestasjonsanalyse av norske aksjefond 1983-2008

Prestasjonsanalyse av norske aksjefond 1983-2008 Prestasjonsanalyse av norske aksjefond 1983-2008 av Trine Schjefstad Mastergradsoppgave i økonomi og administrasjon Siviløkonom (30 stp) Institutt for økonomi Norges fiskerihøgskole Universitetet i Tromsø

Detaljer

Markedssyn, investeringsmyter og vedtatte sannheter

Markedssyn, investeringsmyter og vedtatte sannheter Markedssyn, investeringsmyter og vedtatte sannheter Februar 2010 Lars Mikelsen Kilde: altomfond.no Den vedtatte sannheten HØY RISIKO = HØY AVKASTNING Dersom man har lang nok horisont vil det alltid lønne

Detaljer

CAPM, oljeøkonomi og oljefond

CAPM, oljeøkonomi og oljefond CAPM, oljeøkonomi og oljefond FIBE konferansen 2007, Norges Handelshøyskole, 4. januar 2007 Knut N. Kjær Se også foredraget Fra olje til aksjer i Polyteknisk Forening, 2 nov. 2006 http://www.norges-bank.no/front/pakke/no/foredrag/2006/2006-11-02/

Detaljer

Boreanytt Uke 26. Borea Asset Management Kalfarveien 76, N-5018 BERGEN +47 53 00 29 00

Boreanytt Uke 26. Borea Asset Management Kalfarveien 76, N-5018 BERGEN +47 53 00 29 00 Boreanytt Uke 26 Borea Asset Management Kalfarveien 76, N-5018 BERGEN +47 53 00 29 00 Uken som gikk... Allokeringsmodellens score stiger igjen til 1.2, etter at de lange rentene har kommet noe ned. Både

Detaljer

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. Februar 2013

Storebrand Selecta Ltd. og Storebrand Multi Strategy Ltd. Februar 2013 Månedsrapport Selecta Ltd. og Multi Strategy Ltd. Februar 2013 Selecta Ltd. faktaark 2 Multi Strategy Ltd. faktaark 3 Verdijustert egenkapital per andelsklasse 4 Definisjoner 5 12.03 06.04 12.04 06.05

Detaljer

Oppgave 11: Oppgave 12: Oppgave 13: Oppgave 14:

Oppgave 11: Oppgave 12: Oppgave 13: Oppgave 14: Oppgave 11: Ved produksjon på 100 000 enheter pr periode har en bedrift marginalkostnader på 1 000, gjennomsnittskostnader på 2 500, variable kostnader på 200 000 000 og faste kostnader på 50 000 000.

Detaljer

Uke 15 2012. Oppdaterte analyser. Uken som gikk Børsen ned i en påskestille uke

Uke 15 2012. Oppdaterte analyser. Uken som gikk Børsen ned i en påskestille uke OSEBX indeks Uke 1 Utvikling i nøkkeltall forrige uke Hovedindeks 1,9 Endring sist uke -1,1 % Endring i år 9,1 % Gjsn. volum OSEBX sist uke (Mrd.),7 Gjsn. P/E (basert på estimat) 11, Siste % sist uke %

Detaljer

HØGSKOLEN I STAVANGER

HØGSKOLEN I STAVANGER EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 25. NOVEMBER 2003 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ

Detaljer

SKAGEN Høyrente Statusrapport desember 2015

SKAGEN Høyrente Statusrapport desember 2015 SKAGEN Høyrente Statusrapport desember 2015 Nøkkeltall pr 31. desember Nøkkeltall SKAGEN Høyrente Referanseindeks* Avkastning desember 0,09 % 0,05 % 0,10 % Avkastning siste 12 mnd. 1,06 % 0,98 % 1,29 %

Detaljer

Kort overblikk over kurset sålangt

Kort overblikk over kurset sålangt Kort overblikk over kurset sålangt Kapittel 1: Deskriptiv statististikk for en variabel Kapittel 2: Deskriptiv statistikk for samvariasjon mellom to variable (regresjon) Kapittel 3: Metoder for å innhente

Detaljer

Aksjekupong DNB/Hydro/Yara. Norse Securities

Aksjekupong DNB/Hydro/Yara. Norse Securities Aksjekupong DNB/Hydro/Yara Norse Securities 1 Aksjekupong DNB/Hydro/Yara Hva er en aksjekupong? En aksjekupong er et produkt som tilbyr en kupongutbetaling gitt at forhåndsbestemte kriterier inntreffer

Detaljer

Regnskapsanalyse: Nøkkeltallsberegning TEKLED: FASE 1 ÅR 3

Regnskapsanalyse: Nøkkeltallsberegning TEKLED: FASE 1 ÅR 3 Regnskapsanalyse: Nøkkeltallsberegning TEKLED: FASE 1 ÅR 3 Mål for øvingen: Kjenne til og kunne kalkulere ulike nøkkeltall. Forstå nøkkeltallenes betydning, og forstå hvorfor de er viktige for interne

Detaljer

Sentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar.

Sentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar. Statistisk behandling av kalibreringsresultatene Del 4. v/ Rune Øverland, Trainor Elsikkerhet AS Denne artikkelserien handler om statistisk behandling av kalibreringsresultatene. Dennne artikkelen tar

Detaljer

Sannsynlighetsregning og Statistikk.

Sannsynlighetsregning og Statistikk. Sannsynlighetsregning og Statistikk. Leksjon Velkommen til dette kurset i sannsynlighetsregning og statistikk! Vi vil som lærebok benytte Gunnar G. Løvås:Statistikk for universiteter og høyskoler. I den

Detaljer

Lead-lag relationship

Lead-lag relationship Lead-lag relationship Et grundigere studium av lead-lag forholdet Kristian Bakkevig Valheim Veileder Valeri Zakamouline Masteroppgaven er gjennomført som ledd i utdanningen ved Universitetet i Agder og

Detaljer

Masteroppgave 2014. Er Oslo børs et effisient aksjemarked? En test av markedseffisiens på svak form i perioden 1996-2013.

Masteroppgave 2014. Er Oslo børs et effisient aksjemarked? En test av markedseffisiens på svak form i perioden 1996-2013. Norges miljø- og biovitenskapelige universitet Samfunnsvitenskapelige fakultet Handelshøyskolen Masteroppgave 2014 30 studiepoeng Er Oslo børs et effisient aksjemarked? En test av markedseffisiens på svak

Detaljer

Boligutleie Holding II AS

Boligutleie Holding II AS O B L I G O I N V E S T M E N T M A N A G E M E N T Boligutleie Holding II AS Kvartalsrapport september 2015 Innhold Hovedpunkter 3 Nøkkeltall 3 Verdijustert egenkapital og utbetalinger 4 Kursutvikling

Detaljer

Prestasjonsanalyse av bransjefond 1992-2009. Vegard Antonsen Thomas Jevningen Skaanes

Prestasjonsanalyse av bransjefond 1992-2009. Vegard Antonsen Thomas Jevningen Skaanes Prestasjonsanalyse av bransjefond 1992-2009 av Vegard Antonsen Thomas Jevningen Skaanes Mastergradsoppgave i økonomi og administrasjon Studieretning økonomisk analyse 30 studiepoeng Handelshøgskolen i

Detaljer

I n f o r m a s j o n o m a k s j e o p s j o n e r

I n f o r m a s j o n o m a k s j e o p s j o n e r I n f o r m a s j o n o m a k s j e o p s j o n e r Her kan du lese om aksjeopsjoner, og hvordan de kan brukes. Du vil også finne eksempler på investeringsstrategier. Aksjeopsjoner kan være tatt opp til

Detaljer

Verdipapirfinansiering

Verdipapirfinansiering Verdipapirfinansiering Securities AKSJEKREDITT Pareto Securities tilbyr i samarbeid med Pareto Bank en skreddersydd løsning for finansiering av verdipapirhandel. Med aksjekreditt får du som investor en

Detaljer

ODIN Eiendom I. Månedskommentar April 2014. Lave renter og god økonomi. Stabile resultater så langt i 2014. Kursoppgang følger kapitaloppbygging

ODIN Eiendom I. Månedskommentar April 2014. Lave renter og god økonomi. Stabile resultater så langt i 2014. Kursoppgang følger kapitaloppbygging ODIN Eiendom I Månedskommentar April 2014 Lave renter og god økonomi Stabile resultater så langt i 2014 Kursoppgang følger kapitaloppbygging Lave renter og god økonomi gir oppdrift ODIN Eiendom hadde en

Detaljer

MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem

MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem MAT400 PROSJEKTOPPGAVE: Statistikk i S2 Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem 20. mai 205 Innhold. Stokastisk Variabel.. Stokastiske variable som funksjoner 3 2. Forventningsverdi

Detaljer

Eksamensoppgave i TIØ4258 Teknologiledelse

Eksamensoppgave i TIØ4258 Teknologiledelse Institutt for industriell økonomi og teknologiledelse Eksamensoppgave i TIØ4258 Teknologiledelse Faglig kontakt under eksamen: Tim Torvatn Tlf.: 735 93493 eller 9716 3061 Eksamensdato: 11. august 2014

Detaljer

Holberggrafene. 31. mars 2017

Holberggrafene. 31. mars 2017 Holberggrafene 31. mars 2017 1 BNP-VM BNP pr. land i prosent av verdens samlede BNP 2 BNP=Brutto nasjonalprodukt=verdiskapningen i et land 1000 milliarder i fond Forvaltningskapital i norske verdipapirfond

Detaljer

Folketrygdfondets Investeringsresultat

Folketrygdfondets Investeringsresultat Folketrygdfondets Investeringsresultat Fra 31.12.1997 til 31.12.2006 Folketrygdfondet har utarbeidet denne rapporten i samsvar med Global Investment Performance Standards (GIPS ) Side Porteføljegruppens

Detaljer

Eierskap til nettvirksomhet

Eierskap til nettvirksomhet Eierskap til nettvirksomhet Er det finansielt attraktivt? Ketil Grasto Røn, Hafslund ASA s.1 Endres i topp-/bunntekst Hvorfor eie nettvirksomhet? Kontroll og styring med viktig infrastruktur Arbeidsplasser

Detaljer

Eksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder

Eksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder Psykologisk institutt Eksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder Faglig kontakt under eksamen: Martin Rasmussen Tlf.: 73 59 19 60 Eksamensdato: 12.12.13 Eksamenstid

Detaljer

- 2 - Investeringshorisont: Porteføljen er beregnet for investorer med minimum 3 års investeringshorisont.

- 2 - Investeringshorisont: Porteføljen er beregnet for investorer med minimum 3 års investeringshorisont. : I Netfonds Xtra Norge bred Netfonds Bank forvalter tre aksjeporteføljer i Netfonds Xtra serien. Oppdraget vårt er å ivareta og utvikle finansielle verdier for våre kunder. Netfonds Bank søker å utnytte

Detaljer

Vedtekter for verdipapirfondet SKAGEN m 2

Vedtekter for verdipapirfondet SKAGEN m 2 Vedtekter for verdipapirfondet SKAGEN m 2 1 Verdipapirfondets og forvaltningsselskapets navn Verdipapirfondet SKAGEN m 2 forvaltes av forvaltningsselskapet SKAGEN AS. Fondet er godkjent i Norge og reguleres

Detaljer

Handelspartner Securities

Handelspartner Securities Handelspartner Securities Sektorrapport uke 51. 18. desember 2006 Tilbakeblikk på uke 50. Etter at Oslo Børs steg svakt i uke 49, ble det nok en sterk uke i forrige uke. Hovedindeksen endte opp til ny

Detaljer

Prestasjonsvurdering av norske aksjefond i perioden 1996-2008

Prestasjonsvurdering av norske aksjefond i perioden 1996-2008 NORGES HANDELSHØYSKOLE Bergen, 19.6.2009 Prestasjonsvurdering av norske aksjefond i perioden 1996-2008 av Stian Aardal og Håvard Hoel Aass Veileder: Lars Alexander Qvigstad Sørensen Masteroppgave i finansiell

Detaljer

Crédit Agricole Vekstsertifikat Øst-Europa/Latin-Amerika 3 Ytterligere Opplysninger

Crédit Agricole Vekstsertifikat Øst-Europa/Latin-Amerika 3 Ytterligere Opplysninger Crédit Agricole Vekstsertifikat Øst-Europa/Latin-Amerika 3 Ytterligere Opplysninger Informasjon ved tilbud av vekstsertifikater faller ikke under Kredittilsynets Forskrift om opplysningsplikt ved tilbud

Detaljer

Kapitalforvaltn. ning i stiftelser. Thor Ivar Tryggestad

Kapitalforvaltn. ning i stiftelser. Thor Ivar Tryggestad Kapitalforvaltn ning i stiftelser Stiftelsesforum 2013 Thor Ivar Tryggestad 1. Stiftelser 2. Finansstrategi Innhold i presentasjonen og kapitalforvaltning noenn innledende kommentarer grunnlag for forutsigbar

Detaljer

Vekstsertifikat Olje og Gass Ytterligere Opplysninger

Vekstsertifikat Olje og Gass Ytterligere Opplysninger Vekstsertifikat Olje og Gass Ytterligere Opplysninger Informasjon ved tilbud av vekstsertifikater faller ikke under Kredittilsynets Forskrift om opplysningspliktved tilbud om kjøp av sammensatte produkter

Detaljer

PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014

PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Skriftlig skoleeksamen fredag 2. mai, 09:00 (4 timer). Kalkulator uten grafisk display og tekstlagringsfunksjon

Detaljer

Unoterte investeringer i Statens pensjonsfond utland (SPU)

Unoterte investeringer i Statens pensjonsfond utland (SPU) Unoterte investeringer i Statens pensjonsfond utland (SPU) 16. mars 2011 Fagsjef Eivind Øy Avdeling for formuesforvaltning 1 SPUs styringsmodell Stortinget Finansdepartementet Norges Bank Stortinget endelig

Detaljer

Page 1 EN DAG PÅ HELSESTASJONEN. Lises klassevenninnner. Formelen: Du har en hypotese om vanlig høyde

Page 1 EN DAG PÅ HELSESTASJONEN. Lises klassevenninnner. Formelen: Du har en hypotese om vanlig høyde 1 E DAG PÅ HELSESTASJOE Lises klassevenninnner Lise er veldig liten Hva gjør at du sier at hun er liten? Du har en hypotese om vanlig høyde Du har en hypotese om vanlig høyde Du sammenligner Lises høyde

Detaljer

Profil Lavpris Supermarked Hypermarked Totalt. Coop Prix 4 4. Coop Extra 13 5. Coop Mega 7 7. Coop Obs 5 13. Rimi 24 24. Ica Supermarked 7 7

Profil Lavpris Supermarked Hypermarked Totalt. Coop Prix 4 4. Coop Extra 13 5. Coop Mega 7 7. Coop Obs 5 13. Rimi 24 24. Ica Supermarked 7 7 Vedlegg 1 - Regresjonsanalyser 1 Innledning og formål (1) Konkurransetilsynet har i forbindelse med Vedtak 2015-24, (heretter "Vedtaket") utført kvantitative analyser på data fra kundeundersøkelsen. I

Detaljer

MASTER I IDRETTSVITENSKAP 2014/2016. Utsatt individuell skriftlig eksamen. STA 400- Statistikk. Mandag 24. august 2015 kl. 10.00-12.

MASTER I IDRETTSVITENSKAP 2014/2016. Utsatt individuell skriftlig eksamen. STA 400- Statistikk. Mandag 24. august 2015 kl. 10.00-12. MASTR I IDRTTSVITNSKAP 2014/2016 Utsatt individuell skriftlig eksamen i STA 400- Statistikk Mandag 24. august 2015 kl. 10.00-12.00 Hjelpemidler: kalkulator ksamensoppgaven består av 10 sider inkludert

Detaljer

SKAGEN Høyrente Statusrapport mars 2016

SKAGEN Høyrente Statusrapport mars 2016 SKAGEN Høyrente Statusrapport mars 2016 Nøkkeltall pr 31. mars Nøkkeltall SKAGEN Høyrente Referanseindeks* Avkastning mars 0,32 % 0,08 % 0,09 % Avkastning siste 12 mnd. 1,33 % 0,90 % 1,21 % 3 mnd NIBOR

Detaljer

Eksamen i SØK2005 Finansmarkeder (Vår 2014)

Eksamen i SØK2005 Finansmarkeder (Vår 2014) Eksamen i SØK2005 Finansmarkeder (Vår 2014) Ta de forutsetninger du måtte finne nødvendig. %-satsene bak oppgavenummereringen er kun ment som en indikasjon på hvordan de ulike oppgavene kommer til å bli

Detaljer

Marginalkostnaden er den deriverte av totalkostnaden: MC = dtc/dq = 700.

Marginalkostnaden er den deriverte av totalkostnaden: MC = dtc/dq = 700. Oppgaver fra økonomipensumet: Oppgave 11: En bedrift har variable kostnader gitt av VC = 700Q der Q er mengden som produseres. De faste kostnadene er på 2 500 000. Bedriften produserer 10 000 enheter pr

Detaljer

Obligasjonsbaserte futures, terminer og opsjoner

Obligasjonsbaserte futures, terminer og opsjoner Obligasjonsbaserte futures, terminer og opsjoner Her kan du lese om obligasjonsbaserte futures, terminer og opsjoner og hvordan de brukes. Du vil også finne en rekke eksempler på investeringsstrategier.

Detaljer

Effekten av shortsalg-forbud

Effekten av shortsalg-forbud NORGES HANDELSHØYSKOLE Bergen, 17/6/2011 Effekten av shortsalg-forbud En empirisk undersøkelse av shortsalg-forbudets påvirkning på det norske markedet i forbindelse med finanskrisen 2008-2009 Vibeke Rita

Detaljer

Introduksjonsforelesning makroøkonomi

Introduksjonsforelesning makroøkonomi Introduksjonsforelesning makroøkonomi Steinar Holden Hva er samfunnsøkonomi? studere beslutninger og valg som økonomiske aktører tar o individer, bedrifter, staten, andre forklare hvorfor økonomiske teorier

Detaljer

Folketrygdfondets Investeringsresultat

Folketrygdfondets Investeringsresultat Folketrygdfondets Investeringsresultat Fra 31.12.1997 til 31.12.2007 Folketrygdfondet har utarbeidet denne rapporten i samsvar med Global Investment Performance Standards (GIPS ) Side Porteføljegruppens

Detaljer

Kapittel 3: Studieopplegg

Kapittel 3: Studieopplegg Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere

Detaljer